3657 편의 논문
이 논문은 범용적인 프런티어 LLM 에이전트(Claude Opus 5.5)가 기성 코딩 도구만을 사용하여 포괄적인 벤치마크에서 특화된 생물정보학 에이전트들을 능가한다는 것을 입증하며, 이는 현재의 발전 측정상의 한계가 에이전트의 역량보다는 주로 벤치마크의 신뢰성 문제에서 기인함을 밝히고 있다.
이 논문은 최소 가중치 피드백 아크 집합(Minimum Weighted Feedback Arc Set) 문제에 대한 검증된 벤치마크를 제시하며, 계산 예산, 그래프 군, 그리고 비교 대상의 선택이 휴리스틱 성능에 어떻게 유의미한 영향을 미치는지를 밝힘으로써 보편적인 순위 매기기보다는 범위가 한정된 방법론 간의 비교를 뒷받침한다.
본 논문은 로컬 지식 베이스로부터 정보를 검색하여 인용 근거가 포함된 답변을 생성하거나 일치하는 항목이 없음을 명시적으로 보고함으로써 의료 진단 지원을 강화하는 4계층 프레임워크의 예비 오프라인 프로토타입인 RAG-MedDx를 소개하며, 진단 정확도가 측정되지 않은 비임상 도구로서의 현재 한계를 인정한다.
본 논문은 텍스트 유도 생성적 의미 강화와 분리형 적응적 융합을 활용하여 양상 간의 의미론적 격차를 해소하고 전역적인 감성 추세와 세밀한 시간적 역동성을 효과적으로 포착하는 새로운 멀티모달 감성 분석 프레임워크인 TGSE-DFN을 제안한다.
MedTrustGraph는 환자 및 목적 맥락을 결정론적 제로 트러스트 정책 엔진과 통합함으로써 자율 임상 LLM 에이전트의 무단 동작을 탐지하는 데 있어 정적 및 순차적 모델보다 성능을 크게 향상시킨 목적 인지형 시계열 이종 그래프 학습 프레임워크이다.
본 연구는 흑색종 분류에 대한 네 가지 사후 설명 방법(post-hoc explanation methods)을 충실도(fidelity), 유용성(utility), 신뢰성(trust) 축을 기준으로 평가하며, 이들의 순위에서 상당한 불일치가 나타남을 밝히고 가장 적절한 설명 기법을 선택하기 위해서는 충실도 게이트(faithfulness gate)를 포함한 다축 평가가 필수적이라는 결론을 내린다.
본 연구는 변화하는 수문학적 조건 하에서 개념 드리프트(concept drift)를 효과적으로 해결하고 홍수 예측 정확도를 향상시키기 위해 최적 운송 데이터셋 거리(Optimal Transport Dataset Distance)와 적응형 윈도잉(Adaptive Windowing)에 의해 유도되는 XGBoost 기반의 시계열 도메인 전이 학습 모델을 제안한다.
이 논문은 고정된 ImageNet 사전 학습 환경 하의 제한된 저자원 설정에서, 비전 트랜스포머(특히 ViT-B/16)가 색상 및 염색 변화에 대한 우수한 강건성, 더 나은 확률 보정, 그리고 교차 작업 전이 시 더 완만한 성능 저하를 달행하는 동시에, 도메인 내 변별력 측면에서도 경쟁력 있는 수준을 유지함으로써 다양한 CNN 아키텍처보다 히스토파솔로지(병리 조직학) 분야에서 더 뛰어난 성능을 보임을 입증한다.
본 방법론적 타당성 연구는 심외막 및 관상동맥 주위 지방 조직 영상과 임상 변수를 통합한 약지도 학습 기반의 다중 모달 프레임워크가 임상 데이터만을 사용했을 때보다 CCTA로 정의된 관상동맥 질환 표현형의 예측 성능을 유의미하게 향상시키는 동시에, 소규모 코호트에서는 매개변수 효율적인 공유 백본 구조가 더 복잡한 이중 백본 모델과 대등한 성능을 보인다는 것을 입증한다.
본 논문은 출처, 주장, 검증 조건의 별개이면서도 쿼리 가능한 연결된 기록을 유지함으로써 문다(Munda) 살아있는 유산의 증거적 관계, 문화적 맥락 및 공동체 권위를 보존하도록 설계된 출처 인식 디지털 인프라 및 데이터셋인 MLHKP-MCD를 제시한다.