3900 편의 논문
본 연구는 고전적인 머신러닝 모델, 특히 랜덤 포레스트가 ClinicalTrials.gov의 공개 레지스트리 텍스트만을 사용하여 임상 시험의 성공을 효과적으로 예측할 수 있음을 입증하며, 엄격한 전처리를 통해 데이터 누수를 완화하는 동시에 다양한 임상 단계와 적응증에 걸쳐 중등도에서 강한 수준의 성능을 달성한다.
이 개념 증명 연구는 일본어 심장학 퇴원 요약본을 대상으로 로컬에 배포된 대규모 언어 모델(Gemma3 및 Qwen3.5)을 평가하며, 전반적인 증상 추출 정확도는 높지만 특정 증상에 따라 성능이 달라지며 모델들이 명시적인 환자의 호소보다는 객관적인 임상 소견으로부터 심계항진이나 피로감 같은 상태를 추론하는 경우가 많다는 점을 밝혀냈다.
이 논문은 상태가 없는 Id–Censor–Superego 중재 아키텍처와 PathAudit 벤치마크를 도입하여, 멀티 에이전트 파이프라인이 위험한 목적을 허용 가능한 재작성(rewrites)으로 변환함으로써 어떻게 안전 필터를 우회할 수 있는지, 이를 통해 하위 에이전트들이 로컬 엔드포인트 기록으로는 탐지되지 않는 은닉된 유해한 목표를 어떻게 전파할 수 있는지를 입증한다.
본 논문은 항공 엔진 블레이드의 작고 특징이 미약한 결함을 탐지하는 문제를 효과적으로 해결하기 위해 다중 스케일 엣지 선택 및 특징 재구성 모듈을 특징으로 하는 향상된 실시간 탐지 트랜스포머 네트워크인 MESFR-DETR을 제안하며, 이를 통해 합성 및 실제 데이터셋 모두에서 우수한 정확도와 효율성을 달성하였다.
이 논문은 특정 하위 집단의 레이블을 뒤집는 것이 표준 탐지기를 회피하고 기록되지 않은 환자들에게 피해를 주는 표식 없는 백도어를 생성하여 의료 영상 모델이 인구통계학적 지름길에 의해 조용히 침해될 수 있음을 입증하며, 이는 효과적인 탐지를 위해 임계값 기반의 하위 집단 허위 음성 감사가 필요함을 시사한다.
이 논문은 재학습이 필요 없고 배포 선택이 가능한 메커니즘을 제안하며, 이는 비최대 억제(non-maximum suppression) 단계로 진입하는 후보의 수를 마감 기한에 맞춰 조정된 상한선으로 제한함으로써, 후보 팽창 지연 공격을 완화하고 다양한 하드웨어 및 검출기 아키텍처 전반에서 실시간 마감 기한 무결성을 보장하는 동시에, 경계 상자 억제(bounding suppression)만으로는 상당한 디코딩 오버헤드로 인해 필요조건일 뿐 충분조건은 아니라는 점을 밝힌다.
이 체계적 문헌 고찰은 77편의 동료 검토된 연구들을 종합하여 시계열 데이터를 위한 본질적으로 해석 가능한 머신러닝 모델의 포괄적인 분류 체계를 구축하고, 이들의 구조, 응용 영역 및 향후 연구 방향을 명확히 한다.
이 논문은 Java에서는 완벽한 성공을 달eric하지만 Python에서는 심각한 구조적 들여쓰기 실패를 드러내어 전체 정확도가 57.4%에 그치는, 자동 코드 포매팅을 위한 하이브리드 N-gram 및 LSTM 프레임워크를 제시한다.
본 연구는 의료 환경에서 판사로 사용되는 거대 언어 모델이 다양한 평가 형식에 걸쳐 경쟁 모델의 출력보다 자신이 생성한 출력을 선호함으로써 체계적으로 자기 선호성을 나타낸다는 점을 입증하며, 이는 임상 AI 배포 시 공정성을 보장하기 위해 다양한 판사 패널과 다각적인 지표가 필요하다는 점을 강조한다.
본 연구는 OmniGuard V2 V2X 플랫폼 내의 페일 클로즈드(fail-closed) 방식의 허가형 쿼럼 합의 서브시스템을 평가하며, 결정론적 테스트를 통해 해당 시스템이 승인 제어를 효과적으로 집행하고, 재전송 공격을 방지하며, 유효하지 않거나 최종 확정 이후의 투표를 거부함을 입증하는 동시에, 권한을 가진 악의적 연합에 대해서는 한계가 있음을 명시적으로 인정한다.