2305 편의 논문
본 논문은 연합 학습을 위한 비잔틴 강건 집계 알고리즘(Krum, Multi-Krum, Trimmed Mean, Median)의 고성능 C++20 구현을 제시하고 평가하며, 명시적인 비잔틴 가설과 수치적으로 방어적인 네이티브 시스템 설계를 결합하는 것이 적대적 업데이트에 대한 강건성을 유지하면서도 집계를 유의미하게 가속화한다는 것을 엄격한 정확성 검증과 벤치마크를 통해 입증한다.
본 논문은 신원을 서명된 토큰에 결합하고, 암호학적 논스(nonce)를 통해 엄격한 등록 리스(enrollment lease)를 강제하며, 오직 권한이 있고 최신 상태이며 폐기되지 않은 참여자만이 글로벌 모델에 영향을 미칠 수 있도록 보장하기 위해 22가지 적대적 시나리오에 대해 엄격히 테스트함으로써, 네트워크 인증과 모델 영향력을 분리하는 연합 학습을 위한 정책 게이트형 제로 트러스트 아키텍처를 제안하고 검증한다.
이 체계적 문헌 고찰은 혼합 전문가(Mixture-of-Experts, MoE) 아키텍처에서의 적응형 라우팅과 재귀적 학습을 구분하여, 동적 계산 및 전문가 특화에 관한 기존 문헌을 합성하는 동시에 라우팅 안정성 및 자원 제약적 지능형 할당과 같은 과제를 해결하기 위한 연구 의제를 제시하는 재귀적 적응형 재귀 학습(Recursive Adaptive Recursive Learning, RARL) 프레임워크를 제안한다.
본 연구는 통제된 시뮬레이션과 실제 벤치마크에 대한 이차 분석을 통해, 소프트웨어 결함 예측에서 풀링된 무작위 훈련/테스트 분할을 사용하는 것이 프로젝트 인지적 검증 방법과 비교하여 체계적으로 낙관적인 성능 추정치를 산출한다는 것을 입증하며, 이는 프로젝트 경계를 존중하는 평가 프로토콜의 결정적인 필요성을 강조한다.
본 연구는 뎅기열 발생 예측을 위해 확률적 불확실성 추정, 내재적 설명 가능성 및 규칙 기반 위험 계층화를 결합한 시계열 통합 트랜스포머(Temporal Fusion Transformer)를 통합함으로써, 베이스라인 모델들을 능가하고 공중 보건 의사결정을 지원하는 신뢰할 수 있는 AI 프레임워크를 제시한다.
본 연구는 정족수 제한형 비동기 연합 학습 설계가 최종 정확도를 크게 저하시키지 않으면서도 스트래글러로 인한 지연 시간을 최대 72%까지 효과적으로 줄인다는 것을 입증하는 동시에, 데이터 이질성이 적대적 클라이언트에 의해 발생하는 수렴 손상을 결정적으로 증폭시킨다는 점을 밝혀냈다.
이 논문은 다섯 가지 서로 다른 공격군을 다양한 조건에서 평가하는 연합 학습을 위한 심각도 보정된 적대적 벤치마크를 소개하며, 공격의 규모 자체가 피해의 불충분한 지표임을 입증하고 강건한 보안 평가가 공격의 기하학적 구조, 악의적 인구 비율, 그리고 집계 규칙을 반드시 고려해야 함을 보여준다.
이 논문은 대규모 다국어 모델에서 힌디의 표현을 사용하여 저자원 데바나가리 언어(마이틸리어, 네팔리어, 보즈푸리어)를 생성하기 위한 추론 시 스티어링(inference-time steering)의 기계적 한계를 조사하며, 단일 벡터 이동이 대상 언어에 대한 준수를 유도할 수는 있지만 그것이 필연적으로 유창성 붕괴를 초래한다는 점을 발견함으로써, 스티어링 가능성이 모델의 역량이나 어휘 중첩이 아닌 선형 분리 가능성에 의해 제약된다는 것을 밝혀낸다.
이 논문은 대규모 퍼징 캠페인이 Bouncy Castle 1.85의 양자 내성 복호화 및 검증 경로에서 결함을 발견하지 못한 반면, 양성 대조 접근법은 Bouncy Castle 1.84와 여러 JDK 릴리스 모두에서 치명적인 길이 검증 결함을 찾아냄으로써 테스트 하네스를 성공적으로 검증하였으며, 이를 통해 해당 구현들이 결정의 논리가 아닌 체크의 타이밍 측면에서만 서로 다르다는 것을 밝혀냈음을 입증한다.
이 사전 등록된 연구는 초파리 뇌의 위상 구조가 언어 모델을 개선할 수 있는지 체계적으로 테스트하였으며, 다양한 구조적 통합에도 불구하고 초파리 유래 배선이 음의 로그 가능도를 줄이거나 연상 검색을 개선하는 데 있어 무작위, 차수 일치 또는 바닐라 베이스라인 대비 측정 가능한 이점을 제공하지 못한다는 것을 발견했다.