'Computer Science / Artificial Intelligence' 카테고리의 모든 글
FlashInfer‑Bench 논문은 “AI‑generated GPU kernel”이라는 최신 연구 흐름을 실제 서비스 환경에 적용하기 위한 인프라스트럭처 설계라는 관점에서 매우 의미 있는 기여를 하고 있다. 첫 번째 핵심은 FlashInfer Trace 라는 메타데이터 스키마이다. 기존에 LLM이 생성한 코드를 단순히 텍스트로 저장하고 인간이 수동으로 검증하는 방식은 확장성이 떨어진다. Trace는 커널 인터페이스(입출력 텐서 형태, 메모리 요구량), 워크로드 특성(배치 크기, 시퀀스 길이), 구현 세부사항(언어, 컴파일 옵션)
: 이 논문은 로봇을 활용하여 학생들의 과학적 사고 능력을 향상시키는 방법에 대해 깊이 있게 분석하고 있다. 주요 내용과 그 중요성을 살펴보자. 1. 로봇의 설계와 구조 구성 요소 : 이 로봇은 DC 모터, 광 센서, Arduino 제어 보드 등으로 구성되어 있다. 작동 원리 : 광 센서는 빛을 감지하고 이를 통해 모터의 속도를 조절한다. 센서가 감지한 빛의 강도에 따라 모터의 회전 속도가 변하며, 이로 인해 로봇은 빛을 추적하는 행동을 보인다. 프로그래밍 : Arduino 프로그램을 통해 제어되며, 이를 통해 다양한 실험과 가설
: 본 논문은 다목적 여행 판매원 문제(Multi Objective Traveling Salesman Problem, MOTSP)를 해결하기 위한 유전 알고리즘의 혁신적인 접근법을 제안한다. 이 연구는 특히 수정된 2 opt와 점프 유전자 연산자를 활용한 Elitist 비우월 정렬 유전 알고리즘(NSGA II)에 초점을 맞추고 있다. 문제 정의 및 배경 여행 판매원 문제(TSP)는 주어진 도시들 사이에서 가장 저렴한 경로를 찾는 문제로, 단일 목적 TSP는 NP 완전 문제이다. 다목적 TSP에서는 여러 목표(예: 비용과 거리)를 최
본 논문은 그레이 스케일 디지털 이미지를 표현하고 클러스터링하는 방법에 대해 심도 있게 다루고 있다. 특히, 코호넨 네트워크 (Self Organizing Map, SOM)과 혼합 소스 코호넨 네트워크 (Self Organizing Mixture Network, SOMN)를 사용하여 이미지를 효과적으로 표현하고 클러스터링하는 방법을 제안한다. 1. 그레이 스케일 이미지의 표현 그레이 스케일 이미지는 픽셀 그리드로 정의되며, 각 픽셀은 밝기 강도 값을 가진다. 이 값들은 일반적으로 0에서 255 사이의 정수로 디크레티화되어 컴퓨터 메
: 본 논문은 복잡한 그룹 의사결정 과정을 지원하기 위한 온톨로지 기반 프레임워크를 소개하고, 이를 통해 의사결정 과정의 효율성과 정확성을 향상시키는 방법을 제시합니다. 이 논문은 DSS(Decision Support System)의 진화와 함께 개발되었으며, 특히 여러 사람이 참여하는 복잡한 의사결정 문제에 초점을 맞춥니다. 1. DSS의 발전과 그룹 의사결정 DSS는 1960년대 후반부터 의사결정자의 효율성과 정확성을 향상시키기 위해 제안되어 왔습니다. 초기에는 개인의 결정에 초점을 맞추었지만, 연구자들은 실제 의사결정이 종종
Jenius‑Agent 논문은 최근 LLM‑기반 에이전트가 직면한 두 가지 근본적인 한계를 명확히 짚고 있다. 첫 번째는 “실행 가시성 부족”이다. 기존 벤치마크는 최종 출력만을 평가 지표로 삼아, 에이전트가 내부적으로 어떤 프롬프트를 생성하고, 어떤 도구를 언제 호출했는지, 상태를 어떻게 업데이트했는지를 파악할 방법을 제공하지 않는다. 이로 인해 개발자는 오류 원인을 추적하기 위해 로그를 일일이 수작업으로 분석해야 하며, 재현성도 떨어진다. 두 번째는 “장기·도구‑보강 작업에서의 불안정성”이다. LLM은 짧은 컨텍스트에서는 뛰어난
ElecTwit이 제시하는 가장 큰 혁신은 설득 연구를 위한 실험 환경을 ‘게임’이라는 인위적 설정에서 벗어나 실제 소셜 미디어 플랫폼의 구조와 행태를 모사한 점이다. 이를 위해 저자들은 트위터와 유사한 게시·리트윗·팔로우 메커니즘을 구현하고, 정치적 선거라는 구체적 시나리오를 설정함으로써 에이전트 간의 정보 흐름, 의견 형성, 그리고 설득 전략의 전개 과정을 정밀하게 관찰할 수 있었다. 특히 25가지 설득 기법을 사전 정의하고, 각 LLM이 이를 어떻게 선택·조합하는지를 정량화한 방법론은 설득 기술의 ‘레시피’를 비교 분석하는 데
본 연구는 현재 인공지능 추론 분야에서 가장 논쟁이 되는 세 가지 접근법을 체계적으로 비교함으로써, “신뢰성”이라는 관점에서 중요한 통찰을 제공한다. 첫 번째 범주인 대규모 언어 모델(LLM) 기반 추론은 방대한 텍스트 코퍼스를 사전 학습함으로써 언어적 유연성을 얻지만, 논리적 일관성 유지와 같은 엄격한 판단에서는 여전히 불안정한 결과를 보인다. 이는 LLM이 통계적 패턴에 기반한 예측을 수행하기 때문에, 명시적인 논리 규칙을 내재화하지 못한다는 근본적인 한계와 연결된다. 두 번째인 감독 학습 기반 추론은 특정 논리 과제에 대해 라
본 논문이 제시하는 Counterfactual Self‑Questioning(CSQ)은 기존 자기 개선 메커니즘이 안고 있던 “외부 의존성”이라는 근본적인 문제를 근본적으로 해결한다는 점에서 학술적·실용적 의미가 크다. 먼저, CSQ는 하나의 언어 모델이 스스로 “왜 이 추론이 틀렸는가”를 탐색하도록 설계된 세 단계 파이프라인을 도입한다. 초기 롤아웃 단계에서 모델은 일반적인 chain‑of‑thought 방식으로 문제를 해결하고, 그 과정에서 생성된 중간 단계와 최종 답안을 그대로 보관한다. 이어지는 자기질문 단계에서는 모델이 “
본 논문은 “에이전트 제작(agentic crafting)”이라는 개념을 기존의 일회성 텍스트 생성과 구별하여, 실제 세계에서 다중 턴을 거쳐 행동하고 그 결과를 관찰·피드백하는 반복적 프로세스로 정의한다. 이는 단순히 코드를 자동 생성하는 수준을 넘어, 복합적인 툴 체인과 언어 기반 워크플로 전반에 걸쳐 모델이 계획·실행·모니터링·수정까지 전 과정을 담당해야 함을 의미한다. 이러한 요구를 충족하려면 모델 자체뿐 아니라, 모델이 작동할 환경, 데이터 파이프라인, 학습·배포 인프라가 모두 유기적으로 연결된 ‘에이전트 학습 생태계(AL
본 논문은 의료 영상 분야에서 최근 각광받고 있는 강화학습(RL) 기반 파인튜닝이 실제 임상 적용에 어떤 함의를 갖는지 심도 있게 탐구한다. 먼저 저자들은 “R1‑style”이라 명명한 두 단계 학습 파이프라인을 제시한다. 첫 단계는 비교적 적은 양(2,000개)의 라벨링된 이미지‑텍스트 쌍을 이용한 지도학습(Supervised Fine‑Tuning, SFT)이며, 두 번째 단계는 1,000개의 RL 샘플을 활용해 GRPO(Goal‑oriented Reward‑based Policy Optimization)라는 정책 최적화 기법을
이 논문은 다중 기준 의사결정 분석(MCDA)과 지배 기반 거친 집합 접근법(DRSA)을 중심으로, 고전적인 거친 집합 접근법(CRSA)의 한계와 DRSA의 장점을 탐구한다. MCDA는 다양한 기준에 따라 평가된 객체들 중에서 최적의 결정을 내리는 데 사용되며, 이 논문은 이를 위한 효과적인 수학적 도구로서 CRSA와 DRSA를 비교하고 분석한다. CRSA는 불분명성 관계를 통해 지식 거칠기를 구축하는 반면, DRSA는 의사결정 표에서의 지배 관계에 초점을 맞춘다. 이 논문은 특히 선호도 순서 데이터 처리에 한계가 있는 CRSA와
본 논문은 신생아의 자기인식 발달에 대한 심도 있는 분석과 함께, 이를 위한 기술적 접근 방안을 제시한다. 연구는 아기의 자기인식이 움직임의 연속성과 얼굴 친숙성을 통해 어떻게 형성되는지 탐구하고 있다. 1. 자기인식 발달 이론 신생아는 자신의 움직임과 시각적 자극 사이의 연결을 인식하지만, 다른 아기의 이미지를 구별하는 능력은 5개월이 지나야 발달한다(Sanefuji et al., 2006). 이 연구에서는 이러한 자기인식의 발달 단계를 이해하기 위해 움직임과 얼굴 친숙성 요소를 통합한 실험을 제안하고 있다. 특히, 아기들은 자신
본 논문은 깊이 이미지로부터 임의의 관절 구조를 가진 물체의 3D 자세를 추정하는 문제에 대해 진화 알고리즘을 활용한 새로운 접근법을 제시한다. 이 연구는 기존의 방법들이 사전 훈련이나 도메인 특정 지식에 크게 의존하고, 이를 일반화하기 위한 추가적인 노력이 필요하다는 한계점을 극복하려고 시도한다. 1. 문제 정의와 접근 방식 자세 추정은 물체의 관절 구조를 기반으로 깊이 이미지에서 물체의 위치와 자세를 결정하는 과정이다. 본 논문에서는 이 문제를 모델 기반 추정 문제로 정의하고, 진화 알고리즘을 활용하여 최적의 자세 매개변수를 찾
KGCE 논문은 현재 교육용 AI 에이전트 평가 체계가 직면한 두 가지 핵심 한계를 체계적으로 진단하고, 이를 극복하기 위한 설계 원칙을 명확히 제시한다. 첫 번째 한계는 ‘프라이빗 도메인 소프트웨어’에 대한 구조적 이해 부족이다. XiaoYa Intelligent Assistant나 HuaShi XiaZi와 같은 학교 전용 애플리케이션은 UI 흐름, API 호출 방식, 데이터 포맷 등이 일반 상용 소프트웨어와 크게 다르다. 기존 멀티모달 LLM 기반 에이전트는 사전 학습 데이터에 이러한 특수 사례가 거의 포함되지 않아, 실제 실행
Logics‑STEM 논문은 최근 LLM(Large Language Model) 분야에서 가장 뜨거운 이슈인 “추론 능력 강화”에 대해 데이터와 알고리즘을 동시에 최적화하는 전략을 제시한다. 먼저 데이터 측면을 살펴보면, 저자들은 7.2 M 규모의 SFT( supervised fine‑tuning ) 데이터셋을 구축하기 위해 5단계 파이프라인을 적용했다. 주석 단계에서는 인간 전문가가 장기 사고 사슬(chain‑of‑thought) 형태의 답변을 직접 작성하도록 하여, 모델이 단순히 정답을 맞추는 것이 아니라 사고 과정을 학습하도록
삼중 컨텍스트는 전통적인 이항 관계를 넘어 객체‑속성‑조건이라는 세 차원을 동시에 고려하는 데이터 모델로, 지식 발견 및 의미론적 분석에 있어 강력한 표현력을 제공한다. 그러나 이러한 다차원 구조에서는 기존의 이항 컨텍스트에서 사용되는 함축(implication) 기반 추론 기법을 그대로 적용하기 어렵다. 특히 조건 속성(conditional attribute)과 귀속 조건(attributional condition)이라는 두 종류의 함축이 동시에 존재할 경우, 서로 얽히는 전제와 결론 사이의 중복 및 불필요한 함축이 급증하여 효율
이 논문은 최근 AI 커뮤니티에서 화제가 된 “추론 중 ‘아하!’ 순간”이라는 현상을 과학적으로 검증하려는 시도이다. 저자들은 먼저 기존 연구가 제시한 사례, 즉 DeepSeek‑R1‑Zero가 중간 단계에서 갑작스러운 전략 전환을 보이며 정답을 도출한다는 주장을 재현하려 했다. 이를 위해 1백만 개가 넘는 추론 트레이스를 수집하고, 각 트레이스에서 토큰 수준의 확률 변화, 내부 표현의 변동, 그리고 출력 정확도를 동시에 기록했다. 분석 대상은 자연어 질문‑답변, 수학 문제 풀이, 코딩 생성이라는 세 가지 도메인으로, 각각의 도메인
이 논문은 의미론적 벡터 공간을 팀 스포츠 전술에 적용한다는 독창적인 아이디어를 제시함으로써, 기존 전술 분석 방법론과는 차별화된 학술적 가치를 제공한다. 첫째, 선수 개개인을 다차원 벡터로 모델링한다는 접근은 기존의 단순 통계 기반 평가를 넘어, 기술·신체·심리적 특성을 동시에 고려한 복합적인 특성 표현을 가능하게 한다. 특히, 심리적 변수(예: 경기 집중도, 스트레스 수준)를 수치화하여 벡터에 포함시키는 시도는 현재 스포츠 과학에서 아직 충분히 다루어지지 않은 영역이며, 전술적 의사결정에 인간적인 요소를 반영한다는 점에서 의미가
MORTAR는 자동 게임 디자인 분야에서 ‘메커니즘’이라는 핵심 요소를 진화시키는 새로운 접근법을 제시한다는 점에서 학술적·실용적 의미가 크다. 기존 연구들은 주로 레벨 디자인이나 스토리 텔링을 자동화하는 데 초점을 맞추었으며, 게임 규칙 자체를 생성·조정하는 작업은 여전히 인간 디자이너의 전문 영역으로 남아 있었다. 본 시스템은 품질‑다양성(QD) 알고리즘을 활용해 ‘다양성’과 ‘품질’이라는 두 축을 동시에 최적화한다. 구체적으로, 메커니즘 후보군을 LLM(예: GPT‑4)에게 프롬프트로 제시해 자연어 기반 규칙을 생성하고, 이를
본 논문은 “반복 배포(iterative deployment)”라는 새로운 모델 진화 프레임워크를 제시한다. 핵심 아이디어는 한 번 배포된 LLM이 실제 사용자와 상호작용하면서 생성한 출력물 중, 특히 계획 문제에 대한 답변을 인간이 검토·선별하여 고품질 데이터셋을 만든다. 이 데이터셋을 이용해 기존 모델을 파인튜닝하고, 다시 배포한다는 과정을 여러 차례 반복한다. 이렇게 하면 모델은 점진적으로 “사용자‑피드백‑데이터‑재학습”이라는 순환 고리를 통해 스스로 성능을 향상시킨다. 실험에서는 고전적인 플래닝 도메인(예: 블록스 월드, 로
이 논문은 산업 현장에서 흔히 마주치는 ‘보이지 않는 작업 조건’이라는 문제를 핵심으로 삼아, 기존 결함 진단 모델들의 일반화 한계를 체계적으로 극복하고자 한다. 첫 번째 핵심 기여는 이중 분리(disentanglement) 프레임워크 이다. 여기서는 두 차원의 분리를 동시에 수행한다. 하나는 모달리티 차원 으로, 서로 다른 센서(예: 전류, 진동, 온도)에서 추출된 특징을 ‘모달리티 불변(modality‑invariant)’과 ‘모달리티 특화(modality‑specific)’로 나눈다. 이는 각 센서가 제공하는 고유한 물리적 정
이 논문은 장기 요양 시설이라는 특수한 도메인에서 근무표 자동 생성의 실용성을 높이기 위해 ‘제약 템플릿 기반 추출’과 ‘예외 제외 메커니즘’이라는 두 축을 제시한다는 점에서 의미가 크다. 기존 스케줄링 연구는 주로 일반적인 제조·서비스 현장에 적용 가능한 제약 모델을 제시했으며, 실제 현장 적용 시 현장 담당자의 암묵적 지식을 반영하기 어려운 한계를 가지고 있었다. 요양보호사 현장은 교대 패턴, 연속 근무일, 직원 간 조합, 환자 특성 등 복합적인 제약이 존재하고, 이들 중 일부는 ‘예외’—예를 들어, 특정 직원의 임시 휴가나 급
1. Interpretable formulation of arrangement preferences: People decide where to place objects based on spatial practicality, habitual convenience, semantic coherence, and commonsense appropriateness. 2. A measurement tool for the proposed constructs: A questionnaire measures how strongly each constr
Mathesis 논문은 현재 LLM이 직면한 “논리적 일관성 부재”라는 근본적인 한계를 신경‑기호 하이브리드 접근법으로 해결하고자 하는 시도이다. 가장 큰 혁신은 수학적 지식을 고차원 하이퍼그래프 형태로 표현한다는 점이다. 전통적인 토큰‑시퀀스 표현은 변수와 연산자 사이의 복잡한 관계를 충분히 포착하지 못하지만, 하이퍼그래프는 노드(개념)와 하이퍼엣지(다중 관계)를 동시에 모델링함으로써 공리, 정의, 정리, 증명 단계 등을 자연스럽게 구조화한다. 이러한 구조 위에 얹어진 Symbolic Reasoning Kernel(SRK) 은 차
: 본 논문은 센서나 마커 없이 동적인 손 제스처를 효과적으로 인식하는 방법에 대해 깊이 있게 다룬다. 이 연구는 기존의 지문 감지 기술에서 나타난 여러 문제점을 해결하려고 시도한다. 1. 기존 접근법의 한계 Garg
검색어를 입력하세요