1140 편의 논문
이 논문은 데이터 드리프트 상황에서 벡터 검색 인덱스에 대해 능동적인 재파티셔닝이 보편적으로 필수적이라는 전제에 이의를 제기하며, 통제된 벤치마크를 통해 적당한 수준의 데이터 교체 시에는 정적 파티션으로도 충분하다는 것을 입증하는 동시에, 상당한 분포 변화가 발생할 경우 점진적 재중심화(re-centering)가 가장 비용 효율적인 해결책임을 밝히고, 궁극적으로 실무자들이 유지보수가 진정으로 필요한 시점을 결정할 수 있도록 하는 체계도와 결정 규칙을 제공한다.
본 논문은 안전한 산업용 로봇 협업을 위한 다중 에이전트 강화 학습 프레임워크를 제시하며, 시뮬레이션을 통해 결정론적 탐욕 베이스라인이 제안된 안전 MARL 정책보다 효율성 측면에서는 우수하지만, 후자가 창발적 통신 패턴을 가능하게 하고 플릿 규모가 확장됨에 따라 충돌 위험을 완화하기 위한 적응형 통신 대역폭의 결정적인 필요성을 강조한다는 점을 입증한다.
이 논문은 의사결정 인지형 머신러닝 프레임워크가 보정된 위험 추정치로부터 도출된 맥락 민감형 지원 결정을 통해 미처 수행되지 못한 개입을 줄이고 형평성 격차를 좁힘으로써, 전통적인 규칙 기반 및 확률 임계값 접근 방식보다 우수한 성능을 보임을 입증한다.
본 논문은 실시간 센서 데이터를 활용하여 결함 탐지, 잔여 수명 예측 및 동적 파라미터 조정을 수행함으로써 산업 제조의 운영 효율성과 시스템 신뢰성을 향상시키기 위해 예방 정비와 공정 최적화를 통합하는 AI 기반 프레임워크를 제안한다.
본 논문은 합성 데이터로 학습되고 폴란드 플러스리가(PlusLiga)의 실제 경기 데이터로 검증된 그래디언트 부스팅(Gradient Boosting) 및 랜덤 포레스트(Random Forest) 모델을 사용하여 93% 이상의 정확도로 프로 배구 경기 결과를 성공적으로 예측하며, OPI 및 브레이크 포인트 차이(Break-Point Differentials)를 가장 결정적인 예측 특성으로 식별한 머신러닝 연구를 제시한다.
본 논문은 인지 무선 네트워크를 위한 AI 기반 신뢰 인식 보안 프레임워크를 제안하며, 이는 랜덤 포레스트 기반 탐지와 베이지안 신뢰 평가를 통합하여 SSDF, PUE 및 재밍 공격을 효과적으로 완화함으로써, 심각한 공격 조건과 낮은 SNR 수준에서도 높은 탐지 정확도를 달고 네트워크 신뢰성과 처리량을 크게 향상시킨다.
본 논문은 저자원 환경에서 경량 LLM이 최첨단 방법론 및 제로샷 대규모 모델을 크게 상회하는 우수한 CVE-ATT&CK 정렬 정확도를 달だけで하도록 유도하기 위해 교사-학생 협업 메커니즘을 활용하는 다단계 지식 강화 프레임워크인 CATBridge를 제안한다.
본 연구는 CUDA-Q 워크플로우를 사용하여 10개 노드 규모의 우주 기반 데이터 센터를 위한 하이브리드 고전-양자 라우팅을 평가하며, 광학 백엔드가 낮은 지연 시간과 함께 우수한 정확도를 달축하는 반면 변분 양자 회로(VQC) 백엔드는 더 풍부한 양자 상태 구조를 제공함에도 불구하고 과도한 지연 시간 페널티를 초래한다는 것을 발견하였다.