974 편의 논문
108개의 연구(2010~2026)를 대상으로 한 이 체계적 문헌 고찰은 딥러닝과 뉴럴 미디어 믹스 모델의 향상된 예측력과 개인정보 보호 기술이 부과하는 인과적 한계 및 정확도 비용 사이의 균형을 맞추는 "측정-검증-보호(Measure–Validate–Protect)" 프레임워크를 제안함으로써, AI가 마케팅 측정을 어떻게 재편하는지 분석한다.
본 논문은 다양한 임상 데이터셋에 걸쳐 강건하고 일반화 가능하며 설명 가능한 다중 암 탐지를 달성하기 위해 고급 전처리, 다중 전략 특징 선택 및 스택드 일반화(stacked generalization)를 통합한 새로운 빔 탐색 기반 이중 경로 특징 선택 및 가중치 병합(BSDPFS-WM) 모델을 제안한다.
본 논문은 임상적으로 큐레이션된 데이터셋을 활용한 자동 골절 방사선 사진 캡셔닝을 위해 9가지 인코더-디코더 아키텍처를 종합적으로 벤치마킹하였으며, 시각 인코더와 GPT-2 디코더의 다른 조합들보다 시각-언어 사전 학습된 BLIP-Base 모델이 더 우수한 성능을 보임을 입증하는 동시에, 저자원 의료 영상 작업에서의 실패 모드 및 아키텍처 선택에 관한 중요한 통찰을 제공한다.
이 논문은 ForesightLM-v2 모델이 안정적인 문장 수준의 미래 예측 신호를 성공적으로 학습함에도 불구하고, 이 표현이 생성 동작을 직접적으로 제어하는 데는 실패한다는 점을 입증하며, 이러한 외견상의 이점이 학습된 미래 용어 자체보다는 주로 의미론적 재순위화에서 비롯된다는 것과 소규모 언어 모델에서 학습된 표현과 보정된 행동 결과 사이의 결정적인 격차를 강조한다.
본 논문은 MITRE ATT&CK 기법 분류를 개선하기 위해 Sysmon 이벤트를 GUID 상관관계가 있는 시퀀스로 재구성하는 행위 중심 프레임워크를 제안하며, 프로세스 수준의 컨텍스트를 보존하는 것이 시간적 그룹화보다 성능이 우수하다는 점과 베이스라인인 SecureBERT 모델이 명시적인 클래스 불균형 완화 없이도 우수한 결과를 달성한다는 것을 입증한다.
이 논문은 결정론적인 은닉 활성화 함수를 입력 의존적 샘플링 잠재 상태로 대체하여 확률적 예측을 개선하고 측정 가능한 진단 기능을 제공하는 동시에 표준 신경망 구조와의 호환성을 유지하는 뉴런 수준의 변분 유닛인 Elemental Variational Expanse(EVE)를 소개한다.
이 논문은 5가지의 새로운 구성 요소를 특징으로 하는 통합된 기하학적 잠재 공간을 통해 시차 벡터 예측과 깊이 지도 코딩을 공동으로 학습하는 최초의 엔드 투 엔드 신경 코덱인 GeoDualNet을 제안하며, 이를 통해 기존의 3D-HEVC 및 기존 학습 기반 멀티뷰 코덱 대비 상당한 비트레이트 절감과 합성 뷰 품질 향상을 달성한다.
이 논문은 모델 재학습 없이도 모달리티 가용성 패턴에 따라 보정(calibration)을 계층화함으로써, 결측된 모달리티 입력이 있는 다중 모달 의료 진단 모델에 대해 유효하고 정보가 풍부한 커버리지 보장을 복구하는 방법론인 Modality-Conditional Conformal Prediction (MC²)를 소개한다.
이 논문은 폴 모드 데이터패스에 부적합한 하트비트 요구 사항을 제거하면서도 확장성을 유지하고 락 업그레이드, 다운그레이드 및 비차단 획득과 같은 핵심 기능을 추가한, 기존 PRW 락의 사용자 공간 적응형인 향상된 수동 독자-작성자(Enhanced Passive Reader-Writer, EPRW) 락을 제시한다.
본 논문은 미완료된 과업이나 새롭게 발생하는 위험과 같은 다양한 요인들을 동적인 이슈로 취급함으로써 로봇이 동적인 환경에서 내부 인지 처리를 우선시할 수 있게 하는 이슈 중심 자율 사고 스케줄링(ICATS) 프레임워크를 제안하며, 이는 가중 보상 및 상태 탐지 측면에서 기존의 고정 베이스라인 방식보다 뛰어난 성능을 발휘한다.