4043 편의 논문
이 논문은 기존 통계 및 얕은 머신러닝 모델의 한계를 극복하기 위해 시계열 패턴과 네트워크 위상적 상관관계를 동시에 학습하는 맞춤형 그래트 어텐션 네트워크 (GAT) 와 클러스터링 오버처가 적용된 다중 모달 대규모 언어 모델 (LLM) 을 제안하며, 실제 네트워크 데이터셋을 통한 실험 결과 LLM 기반 모델이 우수한 예측 및 일반화 성능을, GAT 모델은 예측 분산 감소 측면에서 강점을 보임을 입증했습니다.
본 논문은 수동 현미경 분석의 한계를 극복하기 위해 2D 이미지와 3D 점구름 데이터를 융합한 인공지능 파이프라인 'Sorometry'를 개발하여 식물성 실리카 (phytolith) 의 고처리량 자동 분류 및 고고학적 식물 기원 재구성을 가능하게 했음을 제시합니다.
이 논문은 자연어 기반의 지식과 물리적 시계열 데이터를 연결하는 '이벤트 논리 트리 (ELT)' 프레임워크와 신경-상징적 VLM 에이전트를 제안하여, 레이블 데이터가 부족한 환경에서도 다변량 시계열 이벤트 탐지의 정확성과 설명 가능성을 동시에 향상시키는 방법을 제시합니다.
이 논문은 소프트맥스 기반의 트랜스포머 모델이 특정 조건부 작업을 수행하기 위해 반드시 '어텐션 싱크 (attention sink)'를 형성해야 함을 수학적으로 증명하고, 이는 정규화 제약 때문임을 비정규화 ReLU 어텐션 실험을 통해 입증했습니다.
이 논문은 그래프 기반 검색 증강 생성 (GraphRAG) 의 보안 취약점을 공략하기 위해, 외부 데이터베이스에 독성 사건과 지식 진화 경로를 조작하여 지식 그래프를 오염시키고 LLM 의 응답을 악의적으로 조작하는 새로운 공격 기법인 KEPo(Knowledge Evolution Poison) 를 제안하고 그 효과성을 입증합니다.
이 논문은 이질적이고 희소한 로컬 데이터 환경에서도 일반화된 아이템 임베딩의 안정적인 학습을 보장하기 위해, 다중 태스크 학습 관점에서 문제를 재정의하고 Sharpness-Aware Minimization 기법을 적용한 새로운 연방 추천 프레임워크인 FedRecGEL 을 제안합니다.
이 논문은 추론 모델의 긴 출력 시 발생하는 KV 캐시 메모리 및 대역폭 부담을 해결하기 위해, 계산 오버헤드 없이 효율적인 중요도 추정을 통해 80% 의 KV 캐시 압축과 최대 11.8 배의 처리량 향상을 달성하는 'LongFlow'를 제안합니다.
이 논문은 나노포토닉 소자의 제조 공정에서 발생하는 비균일한 변형을 예측하고 불확실성을 모델링하기 위해, 설계 레이아웃을 입력받아 다양한 고해상도 제조 결과를 생성하는 조건부 생성적 적대 신경망 (cGAN) 기반의 'Gen-Fab'을 제안하고, 기존 방법들보다 우수한 정확도와 일반화 성능을 입증했습니다.
이 논문은 사용자 활동과 민감한 정보를 잠재 공간에서 분리하여 사용자가 조절 가능한 프라이버시를 제공하는 CFD 기반 HAR 과 라벨 효율성은 높지만 프라이버시 보호 기능이 부재한 오토인코더 기반 Few-shot HAR 을 비교 분석하여, 차세대 IoT 시스템이 프라이버시, 적응성, 견고성을 모두 충족하는 통합 프레임워크 개발의 필요성을 강조합니다.
이 논문은 실제 플랫폼의 검색 행동 분석을 동기부여로 하여, 확률적 순서 제약을 혼합 정수 볼록 2 차 최적화 문제로 공식화하여 여러 이산 단봉 분포를 동시에 추정하는 방법을 제안하고, 소규모 샘플에서 기존 방법 대비 성능을 향상시킴을 실험을 통해 입증했습니다.
이 논문은 텍스트, 이미지, 오디오, 비디오 등 다양한 모달리티에 특화된 도구들을 중앙 집중형 'Supervisor'가 동적으로 조정하여 처리하는 에이전트 AI 프레임워크를 제안하며, 이를 통해 기존 계층적 기준 대비 응답 시간과 대화 재작업, 비용을 대폭 절감하면서도 정확도를 유지하는 것을 입증했습니다.
이 논문은 주차 위반, 방치된 건물, 위생 상태 등 다양한 도시 문제의 주민 보고를 바탕으로 잠재적 원인을 복원하기 위해, 작업 간 불변 인과 메커니즘을 공유하는 구조적 방정식 모델을 기반으로 한 다작업 반인과 학습 (MTAC) 프레임워크를 제안하고 그 유효성을 입증합니다.
이 논문은 시간 의존적 교란 편향을 해결하고 개인화된 의학 등 다양한 응용 분야에서 정확한 반사실적 추정을 가능하게 하기 위해, 적대적 표현 학습과 자동 인코더 아키텍처를 기반으로 한 새로운 방법론인 CAETC 를 제안하고 그 유효성을 실증합니다.
이 논문은 당뇨병, 고혈압 등 5 가지 주요 만성질환의 조기 위험 예측을 위해 생존 분석과 분류 기법을 통합한 새로운 프레임워크를 제안하며, 실제 전자의무기록 (EMR) 데이터를 통해 기존 최첨단 모델보다 우수한 성능과 임상적으로 검증된 설명 가능성을 입증했습니다.
본 논문은 완전한 동역학 모델 없이도 작업 성능과 에너지 효율을 동시에 최적화하며 선형 복잡도로 수렴을 보장하는 경량 물리 기반 강화학습 방법론인 '하이브리드 에너지 인식 보상 형성 (H-EARS)'을 제안하고 실험을 통해 그 유효성을 입증합니다.
AutoScout 는 ML 시스템의 복잡한 구성 공간을 계층적 의존성을 고려한 혼합 이산/연속 최적화 문제로 공식화하고, 하이브리드 최적화 프레임워크와 다중 충실도 시뮬레이션 앙상블을 통해 전문가가 수동으로 튜닝한 설정 대비 최대 3 배의 학습 속도를 달성하는 범용 시스템 구성 자동화 솔루션입니다.
이 논문은 Rotary Positional Embedding(RoPE) 을 전체 차원이 아닌 약 10% 만 적용하더라도 모델의 수렴 성능은 유지하면서 메모리 사용량을 최대 10 배까지 절감할 수 있음을 규명하여 효율성과 안정성 간의 균형을 위한 실용적인 지침을 제시합니다.
이 논문은 3D 기반 모델의 기하학적 구조 정보를 융합 Gromov-Wasserstein 최적 수송에 통합하여 2D 외관만으로는 해결하기 어려운 기하학적 모호성을 극복하고, 주석 없는 자연 이미지에서 의미적 대응 관계를 위한 새로운 최첨단 성능을 달성한 'Shape-of-You' 프레임워크를 제안합니다.
이 논문은 데이터 이질성 문제를 해결하기 위해 가우시안 생성 모델링과 베이지안 추론을 기반으로 전역적 협력과 개인화를 균형 있게 결합한 새로운 개인화 연방 학습 방법인 pFedGM 을 제안합니다.
이 논문은 대규모 사전 학습된 비전 - 언어 - 행동 (VLA) 모델에서 복잡한 지속적 강화학습 전략 대신, 저랭크 적응 (LoRA) 을 활용한 단순한 순차적 파인튜닝이 오히려 catastrophic forgetting 을 최소화하면서 뛰어난 적응력과 일반화 성능을 보여준다는 것을 발견했습니다.