3697 편의 논문
이 논문은 99.2%의 정확도를 달성하고 낮은 지연 시간과 비용을 유지하면서도 공격에 대한 강력한 보안성을 확보하기 위해 제로 트러스트 제로 지식 원칙, 차분 프라이버시가 적용된 행동 기반 연합 학습, 그리고 고처리량 권위 증명 블록체인을 통합한 경량화된 프라이버시 보호 IoT 인증 프레임워크를 제안한다.
본 연구는 클리블랜드 심장 질환 데이터셋을 대상으로 다섯 가지 머신러닝 모델을 평가하였으며, 0.552의 보정된 임계값을 적용한 로지스틱 회귀가 가장 우수한 성능(정확도 85.71%, ROC-AUC 0.939)을 달성함과 동시에 주요 혈관, 흉통 유형, 탈륨 검사 결과를 핵심 예측 인자로 식별하였으나, 저자들은 이러한 연구 결과를 다양한 인구 집단으로 일반화하기에 앞서 외부 검증이 필요함을 강조하였다.
본 연구는 구조화된 추출, 표적 증거 검색, 그리고 전문가 규칙을 통합하여 인간의 감독을 유지하면서도 자격 있는 후보자의 우선순위를 정함으로써 의료 분야 이력서 스크리닝의 정확성, 설명 가능성 및 효율성을 크게 향상시키는 인터넷 검색 증강 소프트 프롬프트 튜닝된 거대 언어 모델 프레임워크를 제시한다.
675편의 논문을 대상으로 한 범위 검토(scoping review)를 통해, 본 논문은 의료 분야 내 신뢰할 수 있는 AI 원칙의 정의에서 나타나는 상당한 개념적 불일치를 식별하고, 이러한 개념들을 표준화하며 해당 분야의 증거적 토대를 강화하기 위한 통합된 프레임워크와 연구 우선순위를 제안한다.
이 논문은 엣지 노드에서의 CPU 전용 LLM 추론 성능과 메모리 제약 사항을 규명하며, 연산 능력이 아닌 메모리 대역폭이 주요 병목 지점이라는 점과 양자화가 예상치 못하게 런타임 메모리 사용량을 증가시킨다는 점을 밝혀내어, 정확한 배포 계획 수립을 위한 새로운 사이징 모델의 필요성을 제시한다.
이 논문은 학습 자원을 최소한으로 요구하면서도 미학습 태스크에 대해 높은 정확도와 긴 문맥에 대한 강력한 견고성을 갖춘 보정된 구조적 결정을 효율적으로 생성하며, Laya와 같은 더 큰 모델들을 크게 능가하는 396M 파라미터 규모의 소형 개방형 인코더 모델인 typic-bert를 소개한다.
이 논문은 이질적인 생물 의학 문헌 전반에 걸쳐 연구의 진화를 추적하기 위한 새롭고 확장 가능한 프레임워크를 제시하며, 이를 디지털 의학 분야의 78,073개 논문에 적용하여 머신러닝과 생성형 AI의 변화하는 트렌드를 밝히는 동시에, 특정 주제의 겉보기 감소가 실제 관심의 쇠퇴가 아니라 키워드 소스의 변화로 인한 인위적 결과임을 입증하였다.
본 연구는 UCI 초기 당뇨병 데이터셋에 대한 머신러닝 분류기의 널리 보고된 높은 성능이 동일 및 유사 증상 프로필로부터 발생하는 데이터 누출에 의해 상당히 부풀려져 있음을 입증하며, 엄격한 프로필 그룹화 교차 검증이 정확도 추정치를 실질적으로 낮추고 모델 순위를 변화시킨다는 것을 밝혀낸다.
BTC-FUSION은 코인조인(CoinJoin) 인지형 리졸버, 그래디언트 부스팅 랭킹, 그리고 엄격한 오차 경계 답변 정책을 채택하여 특정 적대적 조건에 대한 귀속 정확도의 한계를 인정하면서도, 비트코인 P2P 네트워크 메타데이터와 온체인 분석을 결합하여 불법 활동 탐지를 위한 설명 가능하고 위험 통제된 리드를 생성하는 오프라인 시스템이다.
이 논문은 병변 수준의 데이터 누수(data leakage)로 인한 심각한 성능 부풀림 현상과 휘도 기반 피부톤 대리 지표의 신뢰성 문제를 폭로함으로써 피부색 공정성 문제를 다루며, 궁극적으로 엄격한 평가 프로토콜과 실제 임상 조건에서 어두운 피부톤에 대한 모델 민감도를 유의미하게 향상시키는 톤 적응형 전처리 파이프라인을 제안한다.