KOINEU

CoCo-Fed: A Unified Framework for Memory- and Communication-Efficient Federated Learning at the Wireless Edge

CoCo‑Fed가 제시하는 두 가지 핵심 혁신은 ‘이중 차원 다운프로젝션’과 ‘직교 부분공간 초중첩 전송’이다. 첫 번째 단계에서는 기존 연합 학습에서 각 gNB가 전체 모델 파라미터에 대한 그래디언트를 저장·전송해야 하는 문제를 해결한다. 저자들은 그래디언트를 먼저 채널 차원(예: 입력 피처)과 모델 차원(예: 출력 피처) 두 축에서 각각 저‑랭크 행렬로 근사한다. 이때 사용되는 투사 행렬은 사전에 학습된 고정 정규 직교 행렬이거나, 각 라운드마다 랜덤하게 생성된 스케치 행렬일 수 있다. 이렇게 하면 메모리 요구량이 O(rank·

Computer Science Learning Information Theory Framework

Detecting Performance Degradation under Data Shift in Pathology Vision-Language Model

본 논문은 최근 의료 영상 분야에서 각광받고 있는 비전‑언어 모델(VLM)의 실제 운영 단계에서 발생할 수 있는 ‘데이터 시프트(data shift)’ 문제에 초점을 맞추었다. 데이터 시프트는 크게 두 가지 차원으로 나뉜다. 첫 번째는 입력 데이터 자체가 훈련 시와 다른 분포를 보이는 경우이며, 두 번째는 모델이 출력하는 예측값이나 신뢰도(confidence)가 변하는 경우이다. 기존 연구들은 주로 입력 차원의 통계적 변화를 탐지하는 방법에 의존했지만, 이러한 변동이 반드시 모델 성능 저하와 직결되지 않는다는 점을 간과하고 있었다.

Computer Science Model Data Computer Vision

ElecTwit: A Framework for Studying Persuasion in Multi-Agent Social Systems

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

Computer Science Artificial Intelligence Framework System

LLM Agents for Combinatorial Efficient Frontiers: Investment Portfolio Optimization

본 논문은 언어 모델(LLM)을 활용한 에이전트 프레임워크를 통해 복잡한 조합 최적화 문제에 새로운 접근 방식을 제시하고 있습니다. 이 연구의 핵심 가치는 다음과 같은 기술적 혁신성, 방법론, 실험 결과를 통해 분석할 수 있습니다. 1. 기술적 혁신성: 본 논문은 LLM을 활용한 에이전트 프레임워크를 제시함으로써, 기존의 학문적인 최적화 접근법에서 벗어나 실제 생활 문제에 초점을 맞추고 있습니다. 특히, NPhard한 조합 최적화 문제 해결에 있어 LLM을 활용하는 것은 이전 연구에서는 찾아보기 어려운 혁신적인 시도입니다. MOCO

Computer Science Computational Engineering

LOFA: Online Influence Maximization under Full-Bandit Feedback using Lazy Forward Selection

본 논문이 다루는 온라인 영향력 최대화(Online Influence Maximization, OIM) 문제는 전통적인 정적 IM과 달리 시간에 따라 시드 집합을 동적으로 선택해야 하는 상황을 전제로 한다. 여기서 ‘전체 밴딧(full‑bandit) 피드백’이라는 가정은 에이전트가 매 라운드마다 선택한 시드 집합에 의해 실제로 발생한 확산 규모(즉, 전체 활성화된 노드 수)만을 관찰한다는 의미이며, 이는 각 노드별 활성화 여부나 네트워크의 인접 행렬 등 추가적인 구조적 정보를 전혀 제공하지 않는다. 이러한 제한된 피드백 환경에서는

Machine Learning Computer Science

An AI Monkey Gets Grapes for Sure -- Sphere Neural Networks for Reliable Decision-Making

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

Network Computer Science Artificial Intelligence

An Empirical Evaluation of LLM-Based Approaches for Code Vulnerability Detection: RAG, SFT, and Dual-Agent Systems

본 연구는 LLM을 활용한 코드 취약점 탐지의 실용성을 정량적으로 평가하기 위해 세 가지 접근법을 체계적으로 비교하였다. 첫 번째 접근법인 Retrieval‑Augmented Generation(RAG)은 사전 학습된 LLM에 외부 지식 베이스를 동적으로 연결한다. 구체적으로, MITRE CWE 데이터베이스와 최신 웹 검색 결과를 실시간으로 가져와 프롬프트에 삽입함으로써 모델이 코드 조각을 해석할 때 최신 보안 패턴과 CWE 정의를 참조하도록 설계되었다. 이 과정은 벡터 검색 엔진(FAISS)과 텍스트 임베딩을 활용해 관련 문서를

System Computer Science Software Engineering Detection

Benchmarking Preprocessing and Integration Methods in Single-Cell Genomics

본 논문은 단일세포 다중모달 데이터 분석 파이프라인의 핵심 단계인 정규화, 통합, 차원 축소를 체계적으로 비교함으로써 현재 사용되는 방법들의 실제 적용 가능성을 평가한다. 먼저 정규화 단계에서는 총 7가지 방법을 시험했는데, 이는 전통적인 로그 변환, SCTransform, CPM, TPM 등부터 최신의 베이지안 기반 정규화까지 포괄한다. 정규화는 각 세포의 기술적 변동성을 최소화하고, 서로 다른 모달리티 간의 스케일 차이를 조정하는 데 필수적이며, 논문은 정규화 선택이 통합 결과에 미치는 영향을 정량적으로 제시한다. 통합 단계에서

Quantitative Biology

Device-Native Autonomous Agents for Privacy-Preserving Negotiations

본 논문은 기존 클라우드‑중심 협상 플랫폼이 갖는 “데이터 중앙집중 → 보안 위협 → 사용자 신뢰 저하”라는 구조적 문제를 근본적으로 재구성한다는 점에서 학술적·산업적 의의를 가진다. 첫 번째로, 디바이스‑네이티브( device‑native ) 아키텍처는 모든 협상 로직과 제약 조건을 사용자의 로컬 환경에 격리함으로써 데이터 탈취 위험을 최소화한다. 이는 특히 GDPR·CCPA 등 데이터 주권 규제가 강화되는 현재 상황에서 법적·규제적 컴플라이언스를 자연스럽게 충족한다는 장점이 있다. 두 번째로, 제로 지식 증명(zero‑knowl

Computer Science Cryptography and Security

Do LLMs Judge Distantly Supervised Named Entity Labels Well? Constructing the JudgeWEL Dataset

judgeWEL 논문은 저자원 언어인 룩셈부르크어에 대한 NER 데이터 구축이라는 실질적인 문제에 대해 창의적인 해결책을 제시한다. 가장 큰 강점은 두 가지 측면에서 약한 감독을 활용한다는 점이다. 첫째, 위키피디아 내부 링크와 위키데이터의 구조화된 메타데이터를 연결함으로써 엔터티 유형을 자동으로 추론한다는 아이디어는 기존의 규칙 기반 혹은 사전 매핑 방식보다 확장성이 뛰어나다. 위키피디아는 지속적으로 업데이트되며 다양한 도메인을 포괄하므로, 이 접근법은 새로운 엔터티가 등장해도 비교적 쉽게 반영될 수 있다. 둘째, 자동 라벨링 단

Computer Science NLP Data

AdaGReS:Adaptive Greedy Context Selection via Redundancy-Aware Scoring for Token-Budgeted RAG

AdaGReS 논문은 현재 RAG 시스템이 직면한 두 가지 핵심 문제—토큰 예산의 제한과 컨텍스트 중복—를 동시에 해결하려는 시도로 눈에 띈다. 전통적인 top‑k 검색은 단순히 점수 순으로 청크를 선택하기 때문에, 의미적으로 거의 동일한 문장이 여러 번 포함될 경우 불필요한 토큰을 소모한다. 이는 특히 제한된 컨텍스트 길이를 갖는 대형 언어 모델(Large Language Model, LLM)에서 심각한 성능 저하 요인으로 작용한다. AdaGReS는 이를 극복하기 위해 “관련도‑중복 복합 목표 함수”를 정의한다. 목표 함수는 (1

Computer Science NLP

AI-Driven Cloud Resource Optimization for Multi-Cluster Environments

이 논문이 다루는 문제는 다중 클러스터 환경에서 발생하는 전통적인 자원 관리의 한계이다. 현재 대부분의 클라우드 운영자는 각 클러스터를 독립적인 관리 단위로 보고, 스케일링이나 리소스 재배치를 워크로드 변화에 따라 즉각적으로 반응하는 방식으로 수행한다. 이러한 클러스터‑중심적 접근은 전역적인 시야를 결여하게 만들며, 특히 지리적으로 분산된 데이터센터 간에 부하가 불균형하게 전파될 경우 전체 시스템의 비용 효율성과 서비스 수준이 크게 저하된다. 논문은 이를 해결하기 위해 세 가지 핵심 요소를 결합한 AI‑기반 프레임워크를 제시한다.

Computer Science Distributed Computing

Counterfactual Self-Questioning for Stable Policy Optimization in Language Models

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 “

Computer Science Artificial Intelligence Model

Do Large Language Models Know What They Are Capable Of?

이 논문은 “메타‑인지”라는 관점에서 LLM의 자기 평가 능력을 체계적으로 검증한다는 점에서 의미가 크다. 먼저 연구진은 “성공 예측”이라는 이진 판단을 통해 모델이 자신의 한계를 얼마나 정확히 인식하는지를 측정하였다. 여기서 사용된 평가지표는 단순 정확도뿐 아니라 ROC‑AUC와 같은 구별력 지표이며, 이는 모델이 과신(over‑confidence)과 과소신(under‑confidence) 사이에서 어느 정도 균형을 잡는지를 보여준다. 결과는 대부분의 최신 LLM이 높은 확신을 보이지만, 무작위보다 높은 AUC를 기록한다는 점이다

Computer Science NLP Model

Evaluating Contextual Intelligence in Recyclability: A Comprehensive Study of Image-Based Reasoning Systems

본 논문은 재활용 실천을 지원하기 위한 인공지능 기반 도구의 가능성을 탐색한다는 점에서 사회적·환경적 의미가 크다. 연구진은 먼저 재활용 대상 물품을 다양한 각도와 조명 조건에서 촬영한 이미지와, 각 물품이 속해야 할 재활용통(플라스틱, 금속, 종이 등) 및 물리적 치수 정보를 포함한 메타데이터를 결합한 데이터셋을 구축하였다. 데이터셋은 5,000여 장의 이미지와 1,200개의 다중 재질 사례를 포함해, 실제 가정에서 마주치는 복합 상황을 충분히 반영한다. 모델 평가에서는 두 단계의 질문을 제시한다. 첫 번째는 “이 물건은 어느 재

System Computer Vision Computer Science

Evaluating the Impact of Compression Techniques on the Robustness of CNNs under Natural Corruptions

본 연구는 모델 압축이 CNN의 견고성에 미치는 영향을 체계적으로 규명하기 위해 세 가지 대표적인 압축 기법—양자화(Quantization), 프루닝(Pruning), 가중치 클러스터링(Weight Clustering)—을 선택하였다. 각각의 기법은 메모리 사용량과 연산량을 감소시키는 메커니즘은 유사하지만, 파라미터 분포와 활성화 패턴에 미치는 영향이 다르다. 양자화는 가중치를 낮은 비트 폭으로 표현함으로써 연산 정밀도를 낮추지만, 정규화된 레이어에서는 오차가 부분적으로 상쇄되는 경향이 있다. 프루닝은 중요도가 낮은 채널이나 필터를

Computer Science Computer Vision

HiGR: Efficient Generative Slate Recommendation via Hierarchical Planning and Multi-Objective Preference Alignment

HiGR 논문은 슬레이트 추천이라는 복합적인 문제를 두 가지 핵심 차원에서 혁신적으로 접근한다. 첫 번째는 아이템 토크나이제이션 단계이다. 기존의 자동회귀 기반 모델은 아이템을 단순히 고유 번호 혹은 임베딩 벡터로 변환한 뒤 순차적으로 예측한다. 이 경우 아이템 간 의미적 연관성이 토큰 수준에서 충분히 반영되지 않아, “음악‑팝”과 “음악‑재즈”와 같은 유사 아이템이 서로 다른 토큰으로 취급돼 모델이 불필요한 혼동을 겪는다. HiGR은 잔차 양자화(residual quantization)와 대비 학습(contrastive learn

Computer Science Information Retrieval

LeanCat: A Benchmark Suite for Formal Category Theory in Lean (Part I: 1-Categories)

이 논문은 형식화된 수학 연구에 있어 “구조적 추론”이라는 핵심 과제를 명확히 제시한다는 점에서 의미가 크다. 기존의 정리 증명 벤치마크는 주로 구체적인 계산이나 전통적인 위상·대수적 명제에 초점을 맞추어 왔으며, 라이브러리(예: Mathlib)와의 상호작용을 최소화했다. 그러나 현대 수학은 범주론과 같은 고차 구조를 통해 다양한 분야를 연결하고, 이러한 구조는 정의, 함자, 자연 변환 등 복합적인 인터페이스를 요구한다. 따라서 LLM이 실제 연구자 수준의 능력을 보이려면 단순히 “정리를 증명”하는 것을 넘어, 라이브러리 안에서 적

Computer Science Logic

Let It Flow: Agentic Crafting on Rock and Roll, Building the ROME Model within an Open Agentic Learning Ecosystem

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

Model Artificial Intelligence System Computer Science Learning

R-Debater: Retrieval-Augmented Debate Generation through Argumentative Memory

R‑Debater는 “논증 메모리”라는 개념을 토론 생성에 적용함으로써 기존 LLM 기반 토론 시스템이 갖는 몇 가지 근본적인 한계를 극복한다. 첫째, 일반적인 LLM은 대규모 사전학습을 통해 풍부한 언어 능력을 보유하지만, 특정 주장이나 증거를 일관되게 인용하는 능력은 제한적이다. 이는 특히 다중 턴 토론에서 ‘입장 일관성’과 ‘증거 기반 주장’이 요구될 때, 모델이 앞선 발언을 망각하거나 부정확한 정보를 삽입하는 오류를 초래한다. R‑Debater는 별도의 토론 지식베이스를 구축해 사례‑형 증거와 과거 토론 전개를 인덱싱하고,

Computer Science NLP

An Comparative Analysis about KYC on a Recommendation System Toward Agentic Recommendation System

본 논문은 KYC 데이터를 에이전트형 인공지능(AI)과 결합함으로써 개인화 추천의 정확도와 신뢰성을 동시에 향상시키는 새로운 패러다임을 제시한다. 먼저, KYC는 전통적으로 금융 기관이 고객의 신원·거래 위험을 평가하기 위해 수집하는 정형·비정형 데이터 집합이며, 개인정보 보호와 규제 준수 측면에서 높은 민감성을 가진다. 이러한 데이터를 추천 시스템에 직접 투입하면 사용자의 신용도·소득 수준·거래 패턴 등을 기반으로 맞춤형 콘텐츠를 제공할 수 있어, 특히 광고(Ad)와 기술(Tech) 분야에서 전환율을 크게 끌어올릴 가능성이 있다.

Computer Science Analysis Information Retrieval System

Causify DataFlow: A Framework For High-performance Machine Learning Stream Computing

본 논문은 데이터 과학 실무에서 가장 빈번히 마주치는 ‘데이터는 유한하고 완전하다’는 가정을 근본적으로 뒤흔든다. 전통적인 배치 기반 워크플로우는 고정된 데이터셋을 한 번에 메모리로 로드하거나 단일 패스로 처리한다는 전제하에 설계되었으며, 이는 센서 스트림, 금융 거래 로그, 시스템 이벤트와 같이 시간에 따라 지속적으로 생성되는 데이터와는 근본적으로 맞지 않는다. 저자는 이러한 불일치를 해결하기 위해 Causify DataFlow라는 통합 컴퓨테이셔널 모델을 제안한다. 첫째, 프레임워크는 DAG를 선언적으로 정의하고, 동일한 정의를

Framework Machine Learning Computer Science Learning Data

DRL-TH: Jointly Utilizing Temporal Graph Attention and Hierarchical Fusion for UGV Navigation in Crowded Environments

본 논문은 복잡한 인간·로봇 혼재 환경에서 UGV가 실시간으로 안전하고 효율적으로 이동하기 위해 필요한 두 가지 핵심 요소, 즉 ‘시간적 연속성’과 ‘다중 센서 융합’을 동시에 만족시키는 새로운 DRL 기반 아키텍처를 제시한다. 기존 DRL 기반 내비게이션 연구들은 주로 현재 시점의 RGB 이미지 혹은 LiDAR 포인트 클라우드와 같은 단일 프레임 데이터를 입력으로 사용하고, 여러 모달리티를 결합할 때는 단순히 벡터를 이어 붙이는(concatenation) 방식을 채택한다. 이러한 설계는 (1) 과거 프레임에서 관찰된 움직이는 장애

Computer Science Robotics

Improving Multi-step RAG with Hypergraph-based Memory for Long-Context Complex Relational Modeling

본 논문은 다단계 RAG 시스템에서 메모리의 역할을 근본적으로 재정의한다는 점에서 학술적·실용적 의의가 크다. 기존 연구들은 메모리를 “수동적 저장소”로 간주하고, 검색된 텍스트 조각들을 단순히 압축하거나 순차적으로 연결하는 방식에 머물렀다. 이러한 접근은 개별 사실을 나열하는 수준에 그치며, 사실 간의 복합적 관계—예를 들어, 인과관계, 공통 원인, 상호 보완적 증거 등—를 포착하지 못한다. 결과적으로 장기 문맥에서 여러 단계에 걸친 추론이 단절되고, 전역적 의미망을 형성하는 데 한계가 발생한다. HGMEM은 이러한 문제를 해결하

Computer Science NLP Model

Fuzzy-Logic and Deep Learning for Environmental Condition-Aware Road Surface Classification

본 연구는 실시간 도로 상태 모니터링 시스템의 개발을 목표로 하며, 이를 통해 차량 관리 및 활성 차량 제어 시스템에 필요한 정보를 제공하고자 합니다. 전통적인 방법들이 비용과 시간이 많이 소요되는 반면, 본 연구에서는 날씨 조건 데이터와 도로 표면 상태 데이터를 활용한 새로운 접근법을 제시합니다. 특히, 칼스루에 공과대학교 주변 도로에서 모바일 폰 카메라를 이용해 수집된 이미지 데이터와 가속도 데이터를 통해 다양한 딥러닝 알고리즘의 성능을 비교하였습니다. 본 연구에서는 Alexnet, LeNet, VGG 및 Resnet 등 네 가

December 29, 2025

Computer Science Model Computer Vision

PathFound: An Agentic Multimodal Model Activating Evidence-seeking Pathological Diagnosis

PathFound 논문은 기존 병리학 인공지능 모델이 갖는 ‘한 번에 전체 슬라이드 처리’라는 한계를 명확히 지적하고, 실제 병리학자의 진단 과정과 유사한 증거‑중심적 순환 프로세스 를 도입함으로써 새로운 연구 방향을 제시한다. 먼저, 모델 아키텍처는 세 가지 핵심 모듈로 구성된다. ① 시각 기반 파운데이션 모델 은 대용량 디지털 슬라이드에서 고해상도 특징을 추출하고, ② 비전‑언어 모델(VLM) 은 이미지 특징을 텍스트 형태의 임상 질문이나 설명과 연결한다. ③ 강화학습(RL) 기반 추론 에이전트 는 현재 진단 가설을 평가하고,

December 29, 2025

PathoSyn: Imaging-Pathology MRI Synthesis via Disentangled Deviation Diffusion

PathoSyn 논문은 MRI 합성 분야에서 기존 접근법이 안고 있던 두 가지 핵심 한계를 체계적으로 해결한다는 점에서 학술적·실용적 의의를 가진다. 첫 번째 한계는 “전역 픽셀‑레벨” 생성 모델이 해부학적 구조를 충분히 보존하지 못한다는 점이다. GAN‑기반 혹은 전체 확산 모델은 이미지 전체를 한 번에 샘플링하기 때문에, 병변과 정상 조직 사이의 미세한 경계가 흐려지거나 비현실적인 형태로 변형될 위험이 있다. 두 번째 한계는 “이진 마스크 기반” 조건부 생성이 병변 영역을 지나치게 단순화한다는 점이다. 마스크는 병변의 위치와 대

December 29, 2025

Computer Science Computer Vision

Benchmark Success, Clinical Failure: When Reinforcement Learning Optimizes for Benchmarks, Not Patients

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

December 28, 2025

Computer Science Artificial Intelligence Learning

Comment on 'There is No Quantum World' by Jeffrey Bub

이 논평은 양자 논리와 확률 이론 사이의 깊은 구조적 연관성을 강조한다. 직교 공간(orthogonal space)은 힐베르트 공간의 한 형태로, 양자역학에서 상태벡터가 서로 직교할 때 서로 배타적인 물리적 상태를 나타낸다. 이러한 공간에 대해 “직교성을 보존하는 사상”이라 함은 두 벡터가 직교일 때 그 이미지 역시 직교가 되는 선형 혹은 반선형 변환을 의미한다. Uhlhorn 정리는 이러한 사상이 실제로는 전체 내적을 보존하는(즉, 유니터리 혹은 반유니터리) 변환에 한정된다는 강력한 결과를 제공한다. 즉, 직교성을 보존하면 자동적

December 28, 2025

Quantum Physics

Flexible Multitask Learning with Factorized Diffusion Policy

본 논문은 다중 작업 학습의 복잡성을 해결하기 위해 새로운 접근법을 제시합니다. 로봇 행동 분포는 매우 다양하고, 이로 인해 일관된 모델이 이를 효과적으로 학습하는 데 어려움을 겪습니다. 이러한 문제를 해결하기 위해 논문은 모듈화된 확산 정책 프레임워크를 제안합니다. 이 프레임워크는 복잡한 행동 분포를 여러 개의 특수화된 확산 모델로 분해하여 각각이 특정 하위 모드를 포착하도록 합니다. 이러한 접근법은 각 모듈이 독립적으로 학습하고, 필요에 따라 추가하거나 조정할 수 있어 새로운 작업에 대한 유연한 적응을 가능하게 합니다. 또한,

December 26, 2025

Introducing TrGLUE and SentiTurca: A Comprehensive Benchmark for Turkish General Language Understanding and Sentiment Analysis

이 논문은 터키어 자연어 처리(NLP)의 성능 평가를 위해 필요한 종합적인 벤치마크를 제시하고 있습니다. 특히, TrGLUE와 SentiTurca라는 두 가지 새로운 벤치마크를 소개하며, 이는 터키어 NLU 능력을 평가하는 데 중요한 역할을 합니다. GLUE 벤치마크가 영어 NLU의 성능 평가에 대한 표준을 제공한 것처럼, TrGLUE는 터키어에서도 유사한 기능을 수행합니다. 논문은 다양한 언어별로 개발된 벤치마크를 소개하며, 이러한 벤치마크의 중요성을 강조하고 있습니다. 특히, 터키어에 대한 종합적인 NLU 평가 벤치마크가 부재한

December 26, 2025

Analysis

LibContinual: A Comprehensive Library towards Realistic Continual Learning

이 논문은 계속학습(Continual Learning) 분야에서 중요한 문제인 치명적인 잊음을 해결하기 위해 LibContinual이라는 새로운 라이브러리를 제안하고 있습니다. 이 라이브러리는 고결합 저결착 모듈형 아키텍처를 기반으로, 5개의 주요 방법론 카테고리에 걸쳐 19개의 대표적인 알고리즘을 통합하여 제공합니다. 이러한 구조는 다양한 CL 방법들을 비교하고 재현 가능한 연구 환경을 제공하는 데 중요한 역할을 합니다. 논문은 또한 현재 평가에서 일반적으로 발견되는 세 가지 암묵적인 가정(오프라인 데이터 접근 가능성, 제한 없는

December 26, 2025

S&P 500 Stock's Movement Prediction using CNN

이 논문은 S&P 500 지수를 구성하는 주식의 움직임을 예측하는데 초점을 맞추고 있다. 과거에는 다양한 방법론을 사용하여 주가 예측에 대한 많은 접근법들이 시장에서 알고리즘 거래와 알파 생성 시스템에 활용되어 왔다. 최근 인공 신경망의 성공은 기계 학습과 딥러닝 분야의 최신 연구를 통해 예측을 가능하게 하는 길을 열었다. 이 논문에서는 실세계 시장 데이터에서 발생하는 주식 분할/배당 이벤트를 포함한 다변량 원시 데이터를 사용하여, 이미지 분류에 가장 잘 알려진 도구인 컨볼루션 신경망(CNN)을 적용하고 있다. 이러한 접근법은 각각

December 25, 2025

The Illusion of Clinical Reasoning: A Benchmark Reveals the Pervasive Gap in Vision-Language Models for Clinical Competency

이 논문은 의료 분야에서 인공 지능(AI)의 실제 성능을 평가하는 중요한 연구를 제공한다. 특히, 이 연구는 AI 모델들이 실제 임상 상황에서 얼마나 효과적으로 작동하는지에 대한 깊이 있는 통찰력을 제공한다. B&J 벤치마크는 의료 분야에서 AI의 성능을 종합적으로 평가하기 위한 체계적인 접근법을 제시하며, 이는 기존의 단순한 선택지 문제를 넘어 실제 환자 치료에 필요한 다양한 추론 능력을 평가한다. 연구 결과는 AI 모델들이 구조화된 질문에서는 높은 성능을 보이지만, 실제 임상 상황에서 요구되는 복잡하고 다중모달적인 추론에는 아직

December 25, 2025

Model

BALLAST: Bandit-Assisted Learning for Latency-Aware Stable Timeouts in Raft

이 논문은 Raft 합의 프로토콜에서 가장 흔히 사용되는 무작위 선출 타임아웃이 장기 지연(long‑tail latency)이나 네트워크 파티션 복구 시에 발생하는 “분할 투표(split vote)” 현상으로 인해 시스템 가용성이 급격히 저하되는 문제점을 정확히 짚어낸다. 기존 연구들은 타임아웃 값을 고정하거나 단순히 평균 지연에 기반한 조정 방식을 제안했지만, 이러한 접근법은 네트워크 상태가 급변하거나 비정상적인 지연 분포가 나타날 때 적응성이 부족하다. BALLAST는 이러한 한계를 극복하기 위해 ‘컨텍스트 밴딧(contextu

December 24, 2025

Leveraging Lightweight Entity Extraction for Scalable Event-Based Image Retrieval

분석 요약 1. 논문의 주요 내용 및 목적: 이 논문은 자연어 설명을 기반으로 이미지를 검색하는 경량 두 단계 파이프라인 시스템을 제안하고 있습니다. 이 시스템은 실제 세계 캡션에서 시간적, 문맥적 신호를 포함한 복잡한 정보를 처리할 수 있도록 설계되었습니다. 2. 배경 및 동기: 응용 분야 : 이미지 검색은 웹 검색, 뉴스 아카이브, 전자상거래 등 다양한 분야에서 중요한 역할을 합니다. 문제점 : 기존 모델들은 짧은 캡션에 최적화되어 있어 복잡한 실제 세계 쿼리 처리 능력이 부족합니다. 이로 인해 뉴스나 이벤트 검색과 같은 도메인

December 24, 2025

Shape of Thought: When Distribution Matters More than Correctness in Reasoning Tasks

이 논문은 언어 모델의 추론 능력을 향상시키는 새로운 접근법을 제시합니다. 핵심 아이디어는 더 우수한 모델에서 생성된 사슬형 사고(CoT) 추적을 사용하여 합성 데이터셋을 만들어 이를 통해 학습하는 것입니다. 이 방법의 놀라운 점은 이러한 CoT 추적이 잘못된 최종 답안으로 이어진다 하더라도, 언어 모델의 성능이 향상된다는 것입니다. 논문에서는 두 가지 주요 가설을 제시합니다: 첫째, 합성 데이터의 분포가 언어 모델 자체의 분포와 더 가깝기 때문에 학습이 용이하다는 점입니다. 이를 검증하기 위해 인간 주석 추적을 문장 변환하여 분포

December 24, 2025

Zero-Shot Segmentation through Prototype-Guidance for Multi-Label Plant Species Identification

이 연구는 PlantCLEF 2025라는 대규모 식물 이미지 인식 대회에서 고해상도 플롯 이미지의 다중 라벨 식별이라는 어려운 과제를 해결하기 위해 두 가지 핵심 아이디어를 결합하였다. 첫 번째는 클래스 프로토타입 을 활용한 지도 학습이다. 기존의 다중 클래스 분류와 달리, 여기서는 훈련 데이터에서 각 종마다 대표적인 특징 벡터(프로토타입)를 K‑Means 군집화로 추출한다. K값을 클래스 수와 동일하게 설정함으로써, 각 군집 중심이 곧 해당 종을 대표하도록 설계하였다. 이러한 프로토타입은 테스트 이미지에 대한 세그멘테이션 모델이

December 23, 2025

Signal-SGN++: Topology-Enhanced Time-Frequency Spiking Graph Network for Skeleton-Based Action Recognition

이 논문은 신호 SGN++라는 새로운 프레임워크를 제안하여 그래프 컨볼루션 네트워크(GCNs)와 스팽킹 신경망(SNNs)의 장점을 결합하고자 합니다. GCNs는 관절 구조를 효과적으로 모델링할 수 있지만, 실수 계산에 따른 에너지 소비가 높은 반면, SNNs는 에너지 효율적이지만 인간 동작의 복잡한 시간 주파수 및 위상 의존성을 포착하는 데 한계가 있습니다. 신호 SGN++은 이러한 문제를 해결하기 위해 1D Spiking Graph Convolution(1D SGC)과 Frequency Spiking Convolution(FSC)

December 22, 2025

Network

ChronoDreamer: Action-Conditioned World Model as an Online Simulator for Robotic Planning

ChronoDreamer는 로봇 매니퓰레이션 분야에서 가장 난해한 문제 중 하나인 ‘접촉 예측’을 시각‑언어‑물리 통합 프레임워크로 풀어낸 점이 혁신적이다. 기존 세계 모델은 주로 이미지와 관절 상태만을 이용해 미래 프레임을 예측했지만, 접촉 정보가 결여돼 실제 물리적 상호작용을 안전하게 계획하기 어려웠다. 본 연구는 접촉을 ‘깊이 가중 가우시안 스플랫’이라는 2D 이미지 형태로 변환함으로써, 기존 비전 백본(ViT 등)과 자연스럽게 결합한다. 이 방식은 3D 힘 벡터를 카메라 좌표계에 투사해 시각적 특징과 동시 학습이 가능하도록

December 21, 2025

Model

An Agentic AI Framework for Training General Practitioner Student Skills

본 연구는 의료 교육 분야에서 가상 환자 시뮬레이션(VSP)의 실용성을 크게 향상시킬 수 있는 새로운 패러다임을 제시한다. 기존 VSP는 실제 환자를 대체하기 위해 고도로 정교한 시나리오와 피드백을 제공해야 함에도 불구하고, 인력·시간·비용 측면에서 한계가 있었다. 특히, 의료 정확성 부족과 역할 연기의 일관성 결여는 학습 효과를 저해하는 주요 요인으로 지적되어 왔다. 이 논문이 제안하는 ‘에이전트 기반 프레임워크’는 세 가지 핵심 모듈을 명확히 분리한다. 첫째, 구성 가능한 증거 기반 사례 생성 모듈은 최신 임상 가이드라인과 데이

December 20, 2025

Framework

MatSpray: Fusing 2D Material World Knowledge on 3D Geometry

MatSpray는 최근 급부상한 2차원 확산 모델의 풍부한 재질 표현 능력을 3차원 가우시안 스플래팅 파이프라인에 접목함으로써, 기존 3D 재구성 방법이 직면하던 물리 기반 렌더링(PBR) 재질의 정확도와 일관성 문제를 효과적으로 해결한다. 첫 단계에서는 다중 시점 이미지로부터 각 시점마다 베이스 컬러, 러프니스, 메탈릭과 같은 PBR 파라미터를 추출한다. 여기서 중요한 점은 ‘any 2D diffusion‑based material model’을 사용할 수 있다는 점이다. 즉, Stable Diffusion, Imagen 등 최신

December 20, 2025

Prediction and Forecast of Short-Term Drought Impacts Using Machine Learning to Support Mitigation and Adaptation Efforts

본 논문은 최근 증가하는 건조의 심각성과 빈도에 대응하기 위해 머신러닝 기법을 활용한 건조 영향 예측 모델 개발에 초점을 맞추고 있습니다. 특히, Drought Severity and Coverage Index (DSCI)와 Evaporative Stress Index (ESI)를 사용하여 건조의 영향을 예측하고자 하였습니다. 연구는 2005년부터 2024년까지의 데이터를 활용하였으며, Fire와 Relief 영역에서 가장 높은 예측 정확도를 보였고, Agriculture와 Water 분야에서는 그 다음으로 높은 정확도가 나타났습니

December 20, 2025

From Priors to Predictions: Explaining and Visualizing Human Reasoning in a Graph Neural Network Framework

이 논문은 인간의 추상적 사고와 문제 해결 능력에 초점을 맞추며, 이를 가능하게 하는 귀납적 편향성의 계산적 구조와 신경학적 구현을 탐구하고 있습니다. 연구진은 그래프 이론과 GNN을 결합한 프레임워크를 제시하여 이러한 편향성을 명확히 정식화하고, 이를 통해 인간의 추론 과정을 더 잘 이해할 수 있는 방법을 제공합니다. 특히, 본 논문에서 사용된 데이터셋은 Abstraction and Reasoning Corpus (ARC)에서 적응된 것으로, 이는 인간 행동 데이터를 기반으로 하여 실제 인간의 문제 해결 능력을 반영하고 있습니다.

December 19, 2025

Network Framework

MedNeXt-v2: Scaling 3D ConvNeXts for Large-Scale Supervised Representation Learning in Medical Image Segmentation

본 논문은 최근 의료 영상 분야에서 급부상하고 있는 ‘대규모 감독 사전학습(Supervised Pre‑training)’ 흐름에 중요한 질문을 제기한다. 대부분의 연구가 데이터 양을 늘리는 방향에만 집중한 반면, 실제 모델이 대규모 데이터에서 얼마나 효율적으로 특징을 추출하고 일반화할 수 있는지는 충분히 검증되지 않았다. 저자들은 이러한 공백을 메우기 위해 ConvNeXt라는 최신 2D 비전 백본을 3차원 볼류메트릭 작업에 맞게 재설계하고, 이를 ‘MedNeXt‑v2’라는 이름으로 제시한다. 핵심 기여는 크게 네 가지로 정리할 수

December 19, 2025

Preventing AI Deepfake Abuse: An Islamic Ethics Framework

딥페이크 기술은 AI의 발전으로 인해 급속도로 진보하면서, 정보 조작과 디지털 신분 침해 등에 대한 우려가 증가하였습니다. 이러한 문제는 단순히 기술적 측면을 넘어 윤리적 차원까지 확장되며, 기존의 반응적인 관리 방식만으로 해결하기 어렵습니다. 본 연구에서는 이슬람 윤리 원칙을 바탕으로 딥페이크 기술의 오남용을 예방하고자 합니다. 이를 위해 시스템 리터러처 검토를 통해 2018년부터 2025년 사이에 발표된 주요 출판물을 분석하였습니다. 연구 결과, 이슬람 윤리 원칙인 Maqās . id al Sharī'ah의 h . ifz al

December 19, 2025

Framework

Adversarial VR: An Open-Source Testbed for Evaluating Adversarial Robustness of VR Cybersickness Detection and Mitigation

이 논문은 가상현실(VR) 환경에서 사이버질병(CS)의 심각도 조작 및 그에 따른 적절하지 않은 완화 전략을 연구하고 있습니다. 특히, 로컬 VR 환경과 클라우드 기반 VR 환경이 결합된 테스트베드를 개발하여 이 문제를 탐구합니다. 로컬 환경에서는 사용자의 체험 중에 CS 완화가 이루어지며, 클라우드 환경에서는 딥러닝(DL) 모델을 활용해 CS 감지를 수행하고 있습니다. 논문의 핵심은 적대적 예제를 생성하여 DL 모델에 입력함으로써 CS의 심각도를 조작하는 것입니다. 이러한 접근법은 VR 사용자의 체험 질을 저하시키거나, 심지어는

December 18, 2025

Detection

Design and Evaluation of Cost-Aware PoQ for Decentralized LLM Inference

이 논문은 분산 대형 언어 모델(LLM) 추론의 품질 검증에 대한 새로운 접근 방식을 제시하고 있습니다. 기존의 품질 증명(PoQ) 방법은 계산 결과의 암호학적 검증을 사용하지만, 이 논문에서는 출력 품질에 대한 합의를 통해 이를 대체합니다. 특히, 추론 노드와 평가자 노드 간의 이질적인 컴퓨팅 비용을 고려하여 보상 메커니즘을 개선하는 데 초점을 맞추고 있습니다. 논문은 다양한 LLM과 평가 모델을 사용한 실험 결과를 통해, 특정 아키텍처의 중요성을 강조합니다. 특히, 심미적 텍스트 유사성(bi encoder)이 교차 인코더보다 더

December 18, 2025