4030 편의 논문
이 논문은 시스템 병목 현상을 극복하기 위해 mAP보다 재현율(recall)을 우선시하는 2단계 UAV 탐지용 하드웨어 인지형 조기 종료 영역 검증 네트워크인 EMA-Det을 소개하며, 이는 엣지 장치에서 우수한 성능을 달 achievement하고 열적 적외선(thermal-IR) 응용 분야를 위한 도메인 특화 학습의 필요성을 입증한다.
본 논문은 런타임 출력값 분포를 활용하여 시맨틱 스펙트럼을 구축함으로써, 모델 학습이나 온라인 추론 없이도 기존의 스펙트럼 기반, 학습 기반 및 LLM 기반 기술보다 우수한 결함 국지화 정확도를 달하는 메서드 수준의 접근 방식인 시맨틱 스펙트럼 기반 결함 국지화(SSFL)를 제안한다.
이 논문은 벤치마크 성능에서는 최신 학습 기반 방법론들에 뒤처짐에도 불구하고, 의료 영상 등록 및 법의학 분석과 같은 안전 필수 응용 분야에 특히 적합하도록 가공되지 않은 매칭 정확도보다 섭동 및 광도 변환 하에서의 수학적으로 증명된 안정성 보장을 우선시하는 위상학적으로 안정적인 로컬 특징 기술자인 PW-Desc를 소개한다.
이 논문은 학습된 가산적 특징 기여도를 활용하여 확률적 교란에 적응함으로써 동적 유연 제조 시스템에서 처리량을 크게 향상시키고, 지연 시간을 줄이며, 셋업 시간을 최소화하는 해석 가능한 우선순위 정책인 병목 인지 설명 가능한 학습 기반 디스패칭(Bottleneck-aware Explainable Learning-to-Dispatch, BA-XLD)을 소개한다.
본 논문은 엄격한 물리적 수자원 제약 조건 하에서 탄소 배출을 최적화하는 동시에 서비스 실행 가능성을 우선시하는 지리적 분산 AI 추론을 위한 트레이스 기반의 2단계 사전식 프레임워크를 제안하며, 이는 상당한 환경적 트레이드오프를 입증하고 지속 가능한 자원 할당을 위한 재현 가능한 벤치마크를 제공한다.
본 연구는 데이터셋 변화가 발생하는 교과목 전반에 걸쳐, 타겟 적응형 확률 보정을 위해 적은 양의 과거 타겟 도메인 데이터를 사용하는 것이 순위 성능을 저해하지 않으면서도 AI 기반 학생 위험 예측의 신뢰성과 해석 가능성을 유의미하게 향상시킨다는 것을 입증한다.
이 연구는 미세 조정된 대규모 언어 모델, 특히 ModernBERT-base가 NIH 연구 제안서 내의 건강의 사회적 결정 요인을 분류하는 데 있어 전통적인 키워드 방식 및 제로샷 접근법을 유의미하게 능가함을 입증하는 동시에, 임계값 보정(threshold calibration)이 레이블 불균형 문제를 해결하기 위한 핵심 전략임을 보여준다.
본 논문은 개입적 인과 발견(interventional causal discovery)과 구조적 잔차 정규화(structural residual normalization)를 활용하여 다중 모달 로봇 제조에서의 연관적 과적합을 극복하고, 기존의 상관관계 기반 베이스라인 모델들과 비교하여 분포 외(out-of-distribution) 정확도와 정밀도를 크게 향상시킴으로써 강건하고 도메인 불변적인 운전 조건 분류를 달성하는 상태 기반 유지보수를 위한 개입적 인과 프레임워크(IC-CBM)를 소개한다.
이 논문은 조건부 기여도와 개입적 기여도를 비교함으로써 머신러닝 설명에서 상관관계와 인과관계를 구분하는 이중 SHAP 프레임워크를 소개하며, 다양한 사회 조사 결과에 걸쳐 인과적 신뢰성을 진단하는 데 있어 이 프레임워크의 효과를 입증한다.
이 논문은 GPS가 제한된 실내 환경에서 고정된 CCTV 카메라와 사람 사이의 거리를 정확하게 추정하기 위해 인간 포즈 검출, 단안 깊이 특징, 호모그래피 매핑, 그리고 학습된 잔차 보정 모델을 결합한 새로운 비전 기반 프레임워크를 제안하며, 0.159미터의 평균 절대 오차를 달성한다.