Evaluating Synthetic Data for Baggage Trolley Detection in Airport Logistics
이 논문은 NVIDIA Omniverse 기반의 고충실도 디지털 트윈을 활용해 생성된 합성 데이터와 소량의 실제 데이터를 혼합하여 훈련함으로써, 공항 수하물 카트 탐지 성능을 유지하면서 실제 데이터 주석 작업을 25~35% 줄일 수 있음을 입증합니다.
🤖 Category
cs.LG
11542 편의 논문
Compressed Proximal Federated Learning for Non-Convex Composite Optimization on Heterogeneous Data
이 논문은 비볼록 합성 최적화 문제를 해결하기 위해 프록시 업데이트와 통신을 분리하고 오차 피드백 및 제어 변수를 통합하여 통신 효율성과 수렴성을 동시에 향상시킨 새로운 연방 학습 알고리즘인 FedCEF 를 제안하고 그 이론적 수렴성과 실증적 유효성을 입증합니다.
Partial Differential Equations in the Age of Machine Learning: A Critical Synthesis of Classical, Machine Learning, and Hybrid Methods
이 논문은 고전적 수치 해법과 기계 학습 접근법의 인식론적 차이를 명확히 구분하고, 두 방법론의 한계와 상호 보완성을 비판적으로 분석하여 PDE 해법을 위한 하이브리드 설계 원칙과 미래 방향성을 제시합니다.
Beyond Surrogates: A Quantitative Analysis for Inter-Metric Relationships
이 논문은 오프라인 검증 지표와 온라인 성능 간의 불일치 문제를 해결하기 위해 서브레이트 손실과 평가 지표 간의 관계를 정량화하는 통합 이론적 프레임워크를 제안하여, 오프라인 개선이 온라인 목표와 이론적으로 정렬되도록 보장합니다.
Mitigating the Memory Bottleneck with Machine Learning-Driven and Data-Aware Microarchitectural Techniques
이 논문은 현대 프로세서의 메모리 병목 현상을 해결하기 위해 실행 중 관찰된 데이터 패턴을 학습하고 애플리케이션 데이터의 의미적 특성을 활용하는 머신러닝 기반의 데이터 인식형 마이크로아키텍처 기법들을 제안하여 성능과 에너지 효율을 획기적으로 향상시켰음을 보여줍니다.
Scalable Training of Mixture-of-Experts Models with Megatron Core
이 논문은 메모리, 통신, 연산의 통합 최적화 및 다양한 병렬화 기법을 통해 MoE 모델의 확장성 문제를 해결하고, NVIDIA GB200/GB300 클러스터에서 높은 성능을 달성한 Megatron Core 기반의 실용적인 오픈소스 솔루션을 제시합니다.
Global Convergence of Average Reward Constrained MDPs with Neural Critic and General Policy Parameterization
이 논문은 신경망 크리틱과 일반 정책 파라미터화를 사용하는 평균 보상 제약 MDP 를 위한 원 - 쌍대 자연 액터 - 크리틱 알고리즘을 제안하고, NTK 이론을 활용하여 혼합 시간 오라클 없이 전역 수렴과 누적 제약 위반률 을 보장하는 최초의 이론적 결과를 제시합니다.
Step-Size Decay and Structural Stagnation in Greedy Sparse Learning
이 논문은 희소 학습 관점에서 단계 크기 감쇠가 과도할 경우 (α>1) 저차원 환경에서도 구조적 정체가 발생한다는 것을 이론적 하한과 수치 실험을 통해 규명하고, 이를 통해 탐욕적 희소 학습의 단계 크기 설계에 대한 통찰을 제공합니다.
Deep Incentive Design with Differentiable Equilibrium Blocks
이 논문은 게임과 무관한 미분 가능 균형 블록 (DEB) 을 모듈로 활용하여 계약 설계, 기계 스케줄링, 역균형 문제 등 다양한 인센티브 설계 과제를 단일 신경망으로 해결하는 '딥 인센티브 설계 (DID)' 프레임워크를 제안합니다.
Reverse Distillation: Consistently Scaling Protein Language Model Representations
이 논문은 자연어 처리나 컴퓨터 비전과 달리 단백질 언어 모델 (PLM) 의 확장성이 부진한 문제를 해결하기 위해, 작은 모델의 표현을 큰 모델의 직교 부분 공간으로 분해하여 '마트료시카' 구조를 갖는 역 증류 (Reverse Distillation) 프레임워크를 제안하고, 이를 통해 단백질 벤치마크에서 더 큰 모델이 일관되게 우수한 성능을 발휘하도록 함을 보여줍니다.
A Lightweight MPC Bidding Framework for Brand Auction Ads
이 논문은 브랜드 광고의 고유한 특성을 활용하여 복잡한 머신러닝 모델 없이도 온라인 등분위 회귀를 통해 단조로운 입찰 - 지출 및 입찰 - 전환 모델을 구축하는 경량 예측 제어 (MPC) 프레임을 제안하며, 이를 통해 실시간 입찰 환경에서 지출 효율성과 비용 통제력을 크게 향상시킨다고 설명합니다.
Hide and Find: A Distributed Adversarial Attack on Federated Graph Learning
이 논문은 연방 그래프 학습 (FedGL) 의 취약점을 악용하여 기존 방어 기법을 우회하고 90% 이상의 시간 단축으로 높은 공격 성공률을 달성하는 새로운 2 단계 'Hide and Find' 분산 적대적 공격 방법인 'FedShift'를 제안합니다.
Uncertainty-Gated Generative Modeling
이 논문은 불확실성을 내부 제어 신호로 활용하여 표현, 전파, 생성 단계를 제어하는 '불확실성 게이트 생성 모델링 (UGGM)'을 제안함으로써 금융 시계열 예측의 위험 민감성과 강건성을 크게 향상시켰습니다.
Using GPUs And LLMs Can Be Satisfying for Nonlinear Real Arithmetic Problems
이 논문은 LLM 과 GPU 가속을 결합한 새로운 SMT 솔버 'GANRA'를 개발하여 비선형 실수 산술 문제를 해결하는 데 있어 기존 최첨단 기술 대비 훨씬 빠른 속도와 높은 성능을 달성했음을 보여줍니다.
Breaking Training Bottlenecks: Effective and Stable Reinforcement Learning for Coding Models
이 논문은 현대 코딩 모델의 학습 병목 현상을 해결하기 위해 조건부 트렁케이션 마스킹, 다양성 기반 온도 선택, KL 손실 제거 등 세 가지 혁신을 도입한 MicroCoder-GRPO 알고리즘과 더 까다로운 학습 데이터셋, 그리고 정밀한 평가 프레임워크를 제안하여 강력한 베이스라인 대비 LiveCodeBench v6 에서 최대 17.6% 의 상대적 성능 향상을 달성했다고 요약할 수 있습니다.
Lindbladian Learning with Neural Differential Equations
이 논문은 중성 원자 및 초전도 양자 프로세서와 같은 다양한 개방 양자 시스템에서 측정 데이터를 기반으로 비볼록 최적화 문제를 해결하고 노이즈에 강인하게 리드블라디안 동역학을 학습할 수 있는 신경 미분 방정식을 활용한 새로운 학습 프레임워크를 제안합니다.
Scaling Data Difficulty: Improving Coding Models via Reinforcement Learning on Fresh and Challenging Problems
이 논문은 자동 난이도 필터링을 포함한 4 단계 데이터 처리 프레임워크를 통해 최신의 고난이도 프로그래밍 문제만 선별한 'MicroCoder' 데이터셋을 구축하고, 이를 통해 기존 데이터셋 대비 훨씬 큰 성능 향상을 이끌어낸 Reinforcement Learning 기반 코딩 모델 학습 방법을 제안합니다.
ProgAgent:A Continual RL Agent with Progress-Aware Rewards
이 논문은 무레이블 전문가 비디오에서 작업 진행도를 추정하는 지각 모델을 통해 밀도 보상과 적대적 정제 기법을 결합하고, JIT 컴파일된 병렬 학습 아키텍처에 PPO 와 continual learning 기법을 통합하여 파국적 망각을 줄이고 복잡한 조작 기술을 습득하는 'ProgAgent'를 제안합니다.
Vision Transformers that Never Stop Learning
이 논문은 비전 트랜스포머 (ViT) 에서 발생하는 가소성 손실의 원인을 규명하고, 재초기화 방식의 실패를 지적하며 곡률 추정을 통해 경사 방향을 적응적으로 재구성하는 새로운 옵티마이저 'ARROW'를 제안하여 지속적인 학습 능력을 향상시키는 방법을 제시합니다.
Toward Global Intent Inference for Human Motion by Inverse Reinforcement Learning
이 논문은 MO-IRL 알고리즘을 활용하여 피험자와 자세에 구애받지 않는 단일 시간 가변 비용 함수가 인간 도달 운동의 최적성 원리를 설명하고 기존 방법보다 평균 27% 낮은 오차로 운동 궤적을 정확하게 예측할 수 있음을 입증합니다.