4157 편의 논문
2000년부터 2024년까지의 문헌 1,225편을 대상으로 한 이 계량서지학적 분석은 로봇 스포츠 연구가 주요 기관들에 의해 주도되며 기초적인 로봇 축구에서 딥러닝 및 인간-로봇 상호작용과 같은 고급 AI 응용 분야로 주제적 전환을 거쳐 성숙하고 전 세계적으로 협력적인 분야로 진화했음을 보여준다.
이 논문은 다중 에이전트 강화 학습에서의 분업과 협력을 엄격하게 평가하기 위해 설계된 새로운 벤치마크 스위트인 복합 과제 챌린지(Composite Tasks Challenge, CTC)를 소개하며, 현재의 최첨단 방법론들이 이러한 과제들을 해결하는 데 실패한다는 점을 밝히는 동시에, 해결 가능하면서도 도전적인 테스트베드가 해당 분야의 발전을 위해 필수적임을 입증한다.
SousCoder는 VS Code, Chrome, 터미널 전반에 걸친 교차 애플리케이션 행동 신호를 모니터링하여 개발자의 혼란을 감지하고 문맥 인식 제안을 통해 개입하며, 지속적인 메모리와 다중 소스 인지 기능을 통해 이전 연구를 확장함으로써 필드 평가에서 낮은 지연 시간과 높은 관련성을 달성하는 로컬 우선 방식의 선제적 개발자 어시스턴트입니다.
본 연구는 산재 보험 청구 건에서 14가지 보험 계리 변수를 추출하기 위한 대규모 언어 모델 파이프라인을 평가하며, 인간 검토자와의 전반적인 일치도가 보통 수준(제곱 가중 카파 계수 0.53)이고 차원별로 상당한 변동성이 존재함을 밝혀냈는데, 이는 공식적인 검증 이전에 보정 및 단계적 배포가 필요함을 강조한다.
본 연구는 트랜스포머 기반 딥러닝 모델이 전력망 안정성 예측에 있어 고전적인 머신러닝 알고리즘보다 우수한 성능을 보이며, 이진 분류와 회귀 작업 모두에서 높은 정확도를 달est하여 탄력적인 스마트 그리드를 위한 글로벌 지속 가능성 목표를 지원함을 입증한다.
본 연구는 어두운 피부색에서 발생하는 낮은 병변-배경 대비가 구조적 클래스 중첩을 유발하여 AI 피부과 모델이 어두운 피부색의 환자들에 대해 체계적으로 악성도를 과잉 예측하고 과도한 진료 의뢰를 생성한다는 점을 식별하였으며, 이는 혼란 변수 클래스 분포를 교정한 후에도 지속되는 공정성 병목 현상으로서 톤 조건화(tone conditioning)보다는 톤별 클래스 균형(per-tone class balancing)을 통해 가장 잘 완화된다.
본 연구는 시스템 메트릭을 분석하여 최대 15분 전에 데이터 웨어하우스 장애를 예측함으로써, 선제적인 이상 탐지 및 자동화된 근본 원인 분석을 통해 다운타임을 줄이는 앙상블 기법과 설명 가능한 AI를 활용한 머신러닝 프레임워크를 제안한다.
포괄적인 몬테카를로 조사를 통해, 본 논문은 훈련 샘플 크기가 SHAP 기여도 충실도의 주요 동인인 반면, 일반적인 클래스 불균형 처리 방식은 흔히 특성 순위와 크기를 왜곡한다는 것을 입증하며, 이를 통해 저자들은 SHAP 해석 가능성이 우선순위인 경우 재샘플링 대신 클래스 가중치 부여 방식을 사용할 것을 권고한다.
이 논문은 가중치를 공유하는 Mixture-of-Experts 트랜스포머의 사후 학습 양자화를 위해, 공유된 레이어 간의 헤시안 통계량을 결합함으로써 총 재구성 오차를 최소화하는 교차 레이어 헤시안 집계 방식인 CLHA를 소개하며, 이는 기존의 레이어별 보정 방식들을 크게 능가할 뿐만 아니라 헤시안 추정에서의 결정적인 구현상의 함정 문제도 해결한다.
본 논문은 자율 에이전트를 위한 적시(Just-In-Time) 컨텍스트 주입을 가능하게 하는 새로운 인밴드(in-band) 어노테이션 시스템인 에이전틱 어노테이션 언어(Agentic Annotation Language, AAL)를 소개하며, 이는 기존의 글로벌 규칙 파일과 비교하여 도메인 특화 제약 조건에 대한 높은 준수율을 유지하면서도 토큰 소비와 컨텍스트 오염을 크게 줄여준다.