1103 편의 논문
본 연구는 어두운 피부색에서 발생하는 낮은 병변-배경 대비가 구조적 클래스 중첩을 유발하여 AI 피부과 모델이 어두운 피부색의 환자들에 대해 체계적으로 악성도를 과잉 예측하고 과도한 진료 의뢰를 생성한다는 점을 식별하였으며, 이는 혼란 변수 클래스 분포를 교정한 후에도 지속되는 공정성 병목 현상으로서 톤 조건화(tone conditioning)보다는 톤별 클래스 균형(per-tone class balancing)을 통해 가장 잘 완화된다.
본 연구는 시스템 메트릭을 분석하여 최대 15분 전에 데이터 웨어하우스 장애를 예측함으로써, 선제적인 이상 탐지 및 자동화된 근본 원인 분석을 통해 다운타임을 줄이는 앙상블 기법과 설명 가능한 AI를 활용한 머신러닝 프레임워크를 제안한다.
포괄적인 몬테카를로 조사를 통해, 본 논문은 훈련 샘플 크기가 SHAP 기여도 충실도의 주요 동인인 반면, 일반적인 클래스 불균형 처리 방식은 흔히 특성 순위와 크기를 왜곡한다는 것을 입증하며, 이를 통해 저자들은 SHAP 해석 가능성이 우선순위인 경우 재샘플링 대신 클래스 가중치 부여 방식을 사용할 것을 권고한다.
이 논문은 가중치를 공유하는 Mixture-of-Experts 트랜스포머의 사후 학습 양자화를 위해, 공유된 레이어 간의 헤시안 통계량을 결합함으로써 총 재구성 오차를 최소화하는 교차 레이어 헤시안 집계 방식인 CLHA를 소개하며, 이는 기존의 레이어별 보정 방식들을 크게 능가할 뿐만 아니라 헤시안 추정에서의 결정적인 구현상의 함정 문제도 해결한다.
본 논문은 자율 에이전트를 위한 적시(Just-In-Time) 컨텍스트 주입을 가능하게 하는 새로운 인밴드(in-band) 어노테이션 시스템인 에이전틱 어노테이션 언어(Agentic Annotation Language, AAL)를 소개하며, 이는 기존의 글로벌 규칙 파일과 비교하여 도메인 특화 제약 조건에 대한 높은 준수율을 유지하면서도 토큰 소비와 컨텍스트 오염을 크게 줄여준다.
이 논문은 우르두어 가짜 뉴스 탐지를 위한 최초의 교차 데이터셋 일반화 연구를 제시하며, Ax-to-Grind 데이터셋으로 학습된 모델이 훈련 데이터 내의 체계적인 길이 혼란 변수로 인해 유도된 지름길 학습(shortcut learning) 때문에 Notri-Fact 데이터셋에 적용될 때 처참하게 실패한다는 점을 밝힘으로써, 저자원 자연어 처리(NLP)를 위한 현재의 데이터셋 구축 및 평가 관행의 결정적인 결함을 강조한다.
이 논문은 이질적인 정형 데이터에서 최첨단 분류 성능를 달성하기 위해, 최적화 정체 및 미분 불가능 문제를 극복하고자 CatBoost 교사 모델로부터의 지식 증류를 활용하는 새로운 딥러닝 프레임워크인 Cascade Progressive Distilled Network(CPDN)를 소개한다.
본 논문은 QMIX를 이용한 중앙 집중식 학습 및 분산 실행(CTDE) 방식이 스마트 시티 내 전기차 충전을 조정하는 데 있어 독립 Q-러닝(IQL) 및 비강화학습(non-RL) 베이스라인보다 성능이 크게 우수함을 입증하며, 부분 관측 가능성과 교통 역학을 효과적으로 관리하면서 더 높은 수락률과 성공 확률을 달성함을 보여준다.
최근 445개의 연구(2024~2026)를 대상으로 한 이 체계적 문헌 고찰은 CNN-Mamba 하이브리드가 선형적 계산 복잡도 덕분에 의료 영상 분야에서 가장 효율적인 구조임을 식별하는 동시에, 임상적 통합을 가능하게 하기 위해 네이티브 3D 블록을 통해 해결되어야 할 공간 정보 손실 및 메모리 소비와 같은 결정적인 과제들을 강조한다.
본 논문은 정렬된 IoT 및 클라우드 데이터셋을 대상으로 지도 학습(Random Forest 및 XGBoost)과 LSTM 오토인코더 기반의 이상 탐지 모델을 결적으로 결합한 하이브리드 침입 탐지 프레임워크를 제안하고 평가하며, 이 방식이 미지의 공격에 대한 탐지 견고성과 재현율을 크게 향상시키는 반면, 증가된 오탐률 및 정밀도 저하라는 절충안을 수반함을 입증한다.