11732 편의 논문
이 논문은 LLM 과 VLM 을 활용해 자동 생성된 개념 기반 마스크를 사용하여 비전 트랜스포머 (ViT) 의 내부 관련성 지도를 정렬함으로써, 배경과 같은 허위 상관관계에 의존하는 문제를 해결하고 분포 변화에 대한 강건성을 향상시키는 새로운 파인튜닝 프레임워크를 제안합니다.
이 논문은 확산 행렬을 알지 못하는 연속 시간 선형 정상 확률 미분방정식에서 인과 구조 하의 드리프트 계수 부호의 식별 가능성 (edge-sign identifiability) 을 연구하고, 충실도 (faithfulness) 개념을 기반으로 일반 그래프에 대한 식별성 판별 기준을 제시하며 다양한 인과 구조에서의 부호 식별성을 규명합니다.
이 논문은 디지털 병리학에서 다중 인스턴스 학습 (MIL) 모델의 주석 열지도 (heatmap) 의 유효성을 검증하기 위한 새로운 평가 프레임워크를 제시하고, 기존 주의 메커니즘 기반 방법보다 교란 (perturbation) 및 계층별 관련성 전파 (LRP) 같은 기법이 모델 의사결정 메커니즘을 더 정확하게 반영하여 생물학적 통찰력을 제공할 수 있음을 대규모 벤치마크 실험을 통해 입증했습니다.
이 논문은 확장 동적 모드 분해 (EDMD) 를 활용한 koopman 연산자 기반 특징과 트랜스포머를 결합하여 심전도 (ECG) 다중 클래스 분류에서 기존 웨이블릿 방법보다 우수한 성능을 달성하고, 특히 적절한 EDMD 사전 (라디얼 기저 함수) 선택의 중요성을 규명했습니다.
이 논문은 어텐션 출력 프로젝션에 가중치 매개변수가 없는 월시-해다마르 변환을 도입하여 모델 파라미터와 메모리 사용량을 줄이면서도 성능은 유지하거나 오히려 향상시키는 효율적인 트랜스포머 아키텍처를 제안합니다.
이 논문은 유효성, 희소성, 근접성 및 새로운 소프트-DTW 기반의 타당성 요소를 결합한 손실 함수를 통해 시계열 분류 문제에 대해 현실적인 시간적 구조를 가진 반사실적 설명을 생성하는 새로운 방법을 제안하고, 기존 방법들보다 타겟 클래스와의 분포 정렬 및 시간적 현실성 측면에서 우수한 성능을 입증합니다.
이 논문은 온라인 A/B 테스트의 차분 평균 추정기와 최적 제어 변수를 갖춘 오프 정책 역확률 가중 추정기 간의 수학적 동등성, 그리고 회귀 보정 기법과 이중 강건 추정 간의 구조적 동등성을 증명하여 두 분야의 분산 감소 방법을 통합하는 이론적 틀을 제시합니다.
이 논문은 현재 벤치마크가 모델 개발자에게 테스트 데이터에 특화된 전략적 학습을 유도하여 내재적 품질을 왜곡하는 문제를 지적하고, '튜닝 후 테스트 (tune-before-test)' 프로토콜을 통해 내재적 품질에 기반한 유일한 나시 균형을 달성할 수 있음을 증명합니다.
이 논문은 불균형 데이터의 과적합 문제를 해결하기 위해 국소적 가중치 업데이트를 역사적 시퀀스로 대체하는 '가중 분수 웨일 적분'을 기반으로 한 새로운 최적화 알고리즘을 제안하며, 의료 진단 및 금융 사기 탐지에서 기존 최적화 기법 대비 PR-AUC 를 약 40% 향상시키는 성과를 입증했습니다.
이 논문은 토큰 조건부 생성과 강화 학습을 결합한 ToCoRL 프레임워크를 제안하여 대규모 언어 모델이 재학습 없이도 상황에 맞는 행동을 유연하게 전환하고 학습할 수 있도록 함으로써, 복잡한 추론 모델이 사실 기반 질문 답변과 같은 다른 영역에서도 뛰어난 성능을 발휘하도록 함을 보여줍니다.
이 논문은 오프라인 다중 에이전트 강화학습에서 비선형 가치 분해의 불안정성을 해결하기 위해 스케일 불변 가치 정규화 (SVN) 를 제안하고, 이를 통해 오프라인 MARL 의 안정성을 확보하는 실용적인 레시피를 제시합니다.
이 논문은 학습 데이터의 매니폴드 구조를 반영한 가상의 이상치를 생성하여 분포 외 (OOD) 샘플에 대한 신경망의 강건성을 향상시키는 '기하학적 제약 이상치 합성 (GCOS)' 프레임워크를 제안하고, 이를 통해 기존 방법보다 우수한 OOD 탐지 성능과 통계적 오류 보장을 가능하게 하는 것을 보여줍니다.
이 논문은 하이브리드 액터-크리틱 아키텍처와 공유 표현 학습을 통합한 새로운 메타 강화학습 프레임워크를 제안하여, 실제 빌딩 에너지 관리 시스템 데이터에서 기존 방법보다 뛰어난 샘플 효율성과 빠른 적응 능력을 입증했습니다.
이 논문은 다양한 도메인에서 트랜스포머 모델의 내부 표현을 체계적으로 분석하고 견고성을 평가하기 위해 재학습 없이 작동하는 SYNAPSE 프레임워크를 제안하며, 이를 통해 정보의 중복성과 특정 라벨에 대한 민감성을 규명하고 모델의 취약점을 식별하는 방법을 제시합니다.
이 논문은 데스크톱 UI, API, 로컬/클라우드 모델 백엔드, 지속적 메모리, 재사용 가능한 스킬, MCP 호환 확장성 및 하드웨어 통합을 하나의 통합 오케스트레이션 코어로 연결하고, 3 단계 파이프라인과 적응형 모델 관리 시스템을 통해 계획의 질과 실행 능력을 분리하여 설계된 범용 AI 어시스턴트 플랫폼 'IronEngine'의 아키텍처, 성능, 및 비교 분석을 제시합니다.
이 논문은 새로운 작업을 학습할 때 필요한 가소성과 기존 지식의 안정성을 균형 있게 유지하면서도 메모리 오버헤드를 73%까지 줄일 수 있도록 모델 용량을 적응적으로 확장하거나 압축하는 'GRACE' 전략을 제안하여 클래스 증분 학습의 성능을 획기적으로 개선합니다.
이 연구는 100 명의 환자를 대상으로 한 전향적 임상 타당성 연구를 통해, 실시간 안전 감독 하에 AMIE 라는 대화형 진단 AI 가 실제 1 차 진료 환경에서 안전하고 환자와 의료진 모두에게 만족스러운 경험을 제공하며 진단 정확도 면에서 기존 주치의와 유사한 성능을 보였음을 입증했습니다.
이 논문은 경계 인식 청킹과 삼각 부등식에 기반한 계층적 KV 인덱싱을 통해 KV 캐시 검색을 로그 시간으로 최적화하여, 장기 컨텍스트 추론 시 3.6 배의 속도 향상을 달성하면서도 모델 성능 저하를 최소화하는 'LycheeCluster'를 제안합니다.
이 논문은 강화학습 에이전트가 점진적인 관측 드리프트에 대해 '깨어날' 임계값이 존재하며, 이는 감지기 성능과 환경 역학 간의 상호작용에 의해 결정되고, 특정 조건에서는 에이전트가 감지 전에 붕괴하는 '무감각한 실패' 모드가 발생할 수 있음을 규명합니다.
이 논문은 카메라와 LiDAR 의 상호 보완적 특성을 활용하여 정보 이득 (엔트로피 감소) 기반의 적응형 센서 선택 정책을 도입한 파티클 필터 추적기를 제안하고, 키프로스 아이나 나파 마리나에서의 실증 실험을 통해 단일 선박 추적의 정확성과 연속성을 동시에 개선하는 것을 입증했습니다.