3733 편의 논문
이 탐색적 연구는 문화적으로 특수한 일본어 개념들이 두 트랜스포머 모델에서 영어 베이스라인으로부터의 표현적 거리가 증가하는 비단조적이고 층위 의존적인 패턴을 보인다는 점을 밝혀냈으나, 프롬프트 설계의 혼란 변수들로 인해 문화적 비대칭성을 독립적인 원인으로 분리해내지는 못하였다.
이 탐색적 연구는 바가바드 기타 데이터를 활용한 산스크리트어 형태소 분석에서 규칙 기반 심볼릭 분류기와 거대 언어 모델을 비교하며, 두 방식 모두 어순 혼란(word-order scrambling) 하에서도 안정적인 호환성을 유지하는 가운데 거대 언어 모델이 심볼릭 시스템(81.43%)보다 약간 더 높은 정확도(86.43%)를 달성했음을 밝혀냈다.
이 논문은 학습된 컨트롤러를 통해 드래프트 길이를 동적으로 선택함으로써 검색 증강 KV 캐싱과 적응형 투기적 디코딩을 공동 최적화하여, 표준 디코딩과 동일한 출력을 유지하면서도 고정된 전략 대비 상당한 지연 시간 및 처리량 개선을 달성하는 시스템인 RAKV-ASD를 소개한다.
본 논문은 MCP-MedImg를 소개하는데, 이는 기존의 PACS 시스템과 AI 진단 서비스 간의 표준화되고 안전하며 감사 가능한 통합을 가능하게 하기 위해 모델 컨텍스트 프로토콜(Model Context Protocol)을 확장한 개방형 참조 아키텍처 및 프로토콜 규격으로서, 이를 통해 규제 감시의 공백을 해결하고 계층적 적합성 모델을 통해 확장 가능한 임상 도입을 촉진한다.
본 논문은 불균형한 데이터셋에도 불구하고, SMOTE-NC를 통한 오버샘플링과 범주형 인코딩을 활용하여 정교하게 전처리된 의사결정 나무 분류기가 높은 재현율과 완전한 해석 가능성을 갖추며 자동차 보험 사기를 효과적으로 우선순위화할 수 있음을 입증한다.
이 논문은 인간의 추론에 이론적 근거를 두고 있음에도 불구하고, 코드 작업에서 Chain-of-Thought와 같은 기존 베이스라인보다 성능이 뛰어나지 못하며 불필요한 추론 오버헤드로 인해 종종 성능이 저하되는, LLM을 위한 소크라테스식 프롬프팅 프레임워크인 \textsc{MIND}를 소개하며, 이는 인간 추론 이론의 총체적인 전이가 아닌 특정되고 고립된 추론 메커니즘만이 이점을 제공한다는 점을 시사한다.
본 논문은 예측 품질, 비용, 그리고 안전성 페널티 사이의 균형을 맞춤으로써 검증된 모델들 중 하나를 동적으로 선택하는 다중 팔 강도(Multi-Armed Bandit) 기반의 임상 AI 거버넌스 프레칭을 제안하며, MIMIC-IV 시뮬레이션을 통해 후회 최소화 정책이 정적 배포보다 우수한 성능을 보이지만, 차선의 모델을 확신을 가지고 퇴출하기 위해서는 일반적인 임상 데이터 스트림이 제공하는 것보다 훨씬 더 많은 데이터가 필요함을 입증한다.
본 연구는 제한적이고 지리적으로 다양한 알제리 방언 아랍어 데이터를 활용한 ASR 모델의 표적 미세 조정이 제로샷 멀티모달 LLM보다 성능 면에서 현저히 우수함을 입증하며, 이는 프랑스어 코드 스위칭의 지속적인 어려움에도 불구하고 데이터의 다양성이 견고한 음성 인식을 위해 지역적 깊이보다 더 중요하다는 점을 확립한다.
본 논문은 구조화된 법률적 특징과 트랜스포머 기반의 텍스트 표현을 통합하여 민사 및 형사 법원 모두에서 사법적 결과를 정확하게 예측하고 해석하는 하이브리드 설명 가능한 AI 프레임워크를 제안하고 검증하며, XGBoost가 우수한 예측 정확도를 제공하는 반면 BERT는 법률적 의미론적 이해에 탁월함을 입증하고, SHAP와 LIME이 다양한 법률 영역 전반에 걸쳐 투명성과 공정성을 보장함을 보여준다.
이 논문은 쿼리를 위한 법적 쟁점을 생성하고, 문맥을 위해 구조화된 RAG 요약을 사용하며, 재순위화 및 관련성 설명을 위해 LLM을 채택함으로써 인도 판례 검색을 향상시키는 프레임워크인 증강 질문 가이드 검색(AQgR)을 제안하며, 이를 통해 기존 벤치마크보다 현저히 높은 평균 정밀도(Mean Average Precision)를 달성한다.