1101 편의 논문
2020년부터 2025년까지 401개 문헌에 대한 계량서지학적 분석을 통해, 본 연구는 AI 기반의 정동(affective) 및 감정(emotion) 연구가 2023년에 상당한 성장 변곡점을 맞이하며 하나의 일관된 생태계로 성숙했음을 밝히는 동시에, 두 개념이 서로 다른 지향점을 보이고 있음—즉, '정동' 연구는 교육적 실천에, '감정' 연구는 기술적 발전에 초점을 맞추고 있음—을 드러내며, 이에 따라 학제 간 협업을 안내하기 위한 이중 지식 생산 모델(Dual Knowledge Production Model)을 제안한다.
이 논문은 노이즈가 있고 데이터가 부족한 시나리오에서 최신 방법론들을 능가하기 위해 커뮤니티 유도형 레이블 정제와 엣지 프루닝(edge pruning) 및 점진적 대조 학습 기법을 통합하여 레이블 노이즈를 완화하는 강건한 그래프 신경망 프레임워크인 CG-GNN을 제안한다.
본 연구는 개입 비용, 인과적 타당성 및 하방 위험을 고려하지 않고 SHAP 기반의 특성 중요도 점수를 직접적인 경영 조치로 변환하는 것이 심각한 책임성 위험을 초래한다는 것을 입증하며, 이는 설명 가능성 그 자체만으로는 책임 있는 AI 기반 의사결정을 위해 불충분하다는 점을 드러낸다.
이 서베이는 위협을 가중치 포이즈닝(weight poisoning)과 컨텍스트 포이즈닝(context poisoning)으로 분류하는 포괄적인 분류 체계를 제안함으로써 대규모 언어 모델 시대의 포이즈닝 공격과 방어 기법을 체계적으로 검토하고, 대표적인 기술과 방어 전략을 분석하며, 컴파운드 AI 시스템을 보호하기 위한 향후 연구 방향을 제시한다.
FedDAAW는 그래디언트 공유나 보조 데이터 없이도 비독립 동일 분포(non-IID) 환경에서 다양한 작업(분류, 감성 분석 및 회귀)에 걸쳐 수렴 효율성과 성능을 크게 향상시키기 위해 동적 클라이언트 선택 및 정확도 적응형 집합을 채택한 이종 연합 학습을 위한 경량의 프라이버시 보호 프레임워크입니다.
2000년부터 2024년까지의 문헌 1,225편을 대상으로 한 이 계량서지학적 분석은 로봇 스포츠 연구가 주요 기관들에 의해 주도되며 기초적인 로봇 축구에서 딥러닝 및 인간-로봇 상호작용과 같은 고급 AI 응용 분야로 주제적 전환을 거쳐 성숙하고 전 세계적으로 협력적인 분야로 진화했음을 보여준다.
이 논문은 다중 에이전트 강화 학습에서의 분업과 협력을 엄격하게 평가하기 위해 설계된 새로운 벤치마크 스위트인 복합 과제 챌린지(Composite Tasks Challenge, CTC)를 소개하며, 현재의 최첨단 방법론들이 이러한 과제들을 해결하는 데 실패한다는 점을 밝히는 동시에, 해결 가능하면서도 도전적인 테스트베드가 해당 분야의 발전을 위해 필수적임을 입증한다.
SousCoder는 VS Code, Chrome, 터미널 전반에 걸친 교차 애플리케이션 행동 신호를 모니터링하여 개발자의 혼란을 감지하고 문맥 인식 제안을 통해 개입하며, 지속적인 메모리와 다중 소스 인지 기능을 통해 이전 연구를 확장함으로써 필드 평가에서 낮은 지연 시간과 높은 관련성을 달성하는 로컬 우선 방식의 선제적 개발자 어시스턴트입니다.
본 연구는 산재 보험 청구 건에서 14가지 보험 계리 변수를 추출하기 위한 대규모 언어 모델 파이프라인을 평가하며, 인간 검토자와의 전반적인 일치도가 보통 수준(제곱 가중 카파 계수 0.53)이고 차원별로 상당한 변동성이 존재함을 밝혀냈는데, 이는 공식적인 검증 이전에 보정 및 단계적 배포가 필요함을 강조한다.
본 연구는 트랜스포머 기반 딥러닝 모델이 전력망 안정성 예측에 있어 고전적인 머신러닝 알고리즘보다 우수한 성능을 보이며, 이진 분류와 회귀 작업 모두에서 높은 정확도를 달est하여 탄력적인 스마트 그리드를 위한 글로벌 지속 가능성 목표를 지원함을 입증한다.