Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
© 2026 Molayo
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
본 페이지의 콘텐츠는 AI가 공개된 소스를 기반으로 자동 수집·요약·번역한 것입니다. 원 저작권은 각 원저작자에게 있으며, 각 게시물의 “원문 바로가기” 링크를 통해 원문을 확인할 수 있습니다. 저작권자의 삭제 요청이 있을 경우 신속히 조치합니다.
제어 함수 도구 변수 추정 시 발생하는 잔차 정보 손실 문제를 해결하기 위해 결정론적 그래프 확산 잔차 추출기인 A-IHF를 제안합니다. A-IHF는 그래프 상의 신호 처리와 희소 그래프 분해를 통해 처치 변수의 잔차를 효과적으로 추출하여 추정 성능을 높입니다.
아선형 노이즈 프로브를 활용한 온라인 볼록 최적화(OCO) 연구를 소개합니다. 제한된 쌍별 피드백 예산과 노이즈가 존재하는 환경에서도 후회(regret)를 효과적으로 최소화할 수 있는 새로운 프레임워크와 이론적 증명을 제시합니다.
그래프 구조 내에서 비선형 보상 관계를 가진 조합론적 세미-밴딧 문제를 해결하기 위한 새로운 적응형 전략을 제안합니다. 그래프 기반 인과적 보상 모델링과 재생 커널 방법을 통해 데이터 볼륨에 대해 선형적인 이론적 성능 보장을 확립했습니다.
아핀 강건 최적화를 위해 불확실성 방향을 효율적으로 선택하는 희소 설계 방법을 제안합니다. 데이터 주도형 선택 규칙을 통해 부가성을 가진 커버리지 목적 함수를 최적화하며, 탐욕법을 통한 근사 보장과 손실 제한 인증서를 제공합니다.
사용자의 저수준 액션 로그를 상위 수준의 의미 있는 워크플로로 추상화하는 LLM 기반 프레임워크 WorkflowView를 제안합니다. 브라우저 로그 재구성, 학생 중도 탈락 예측 등 다양한 도메인에서 높은 성능과 일반화 능력을 입증했습니다.
사전 학습된 오디오 임베딩이 생물 음향학에서 어떤 음향적 특징을 인코딩하는지 분석한 연구입니다. 회귀 프로브를 통해 모델별 음향 속성 포착 능력을 정량화하였으며, 모델 간 상호 보완적 특성을 확인했습니다.
LLM 에이전트 워크플로우의 병렬 브랜치를 효율적으로 통합하기 위한 Parallel-Synthesis 프레임워크를 제안합니다. 텍스트 연결 방식 대신 KV 캐시를 직접 소비하는 방식을 통해 추론 속도를 획기적으로 개선하고 성능을 유지합니다.
지식 편집 시 무관한 지식의 손실을 방지하기 위해 경로 특화 이중 어댑터(Route-Specialized Dual Adapter)를 제안하는 연구입니다. 관련성 라우터를 통해 편집 메모리 적용 여부를 결정하고, 편집 어댑터와 국소성 어댑터를 분리하여 정확도와 모델의 기존 지식 보존 능력을 동시에 높였습니다.
일반 볼록 집합 환경에서의 온라인 재고 최적화(OIO)를 위한 '최적의 숨겨진 목표 학습' 이론을 제안합니다. 기존 방식보다 개선된 후회 보장(regret guarantee)을 증명하며, 노름 정렬 원리를 통해 복잡한 제약 조건을 1차원 큐 제어 문제로 환원하여 해결합니다.
압축된 연산(CC) 토이 모델이 중첩된 연산(computation in superposition)의 사례인지 분석한 연구입니다. 연구 결과, CC 모델의 성능 향상은 혼합 행렬의 영향이며, 이는 CC가 중첩된 연산을 설명하기에 적절한 모델이 아님을 시사합니다.
다중 그룹 평균 추정 문제에서 능동 학습을 위한 최대 위험 최소화 전략과 그 복잡도 지표를 연구합니다. 로컬 미니맥스 프레임워크를 통해 예산, 이분산성, 분산 로컬 곡률(VLC)로 구성된 새로운 하한(lower bound)을 증명했습니다.
AI가 생성하는 형식 수학에서 검증 가능한 결과물과 수학적 가치 사이의 간극을 '극한에서의 중첩된 언어 생성' 모델로 분석합니다. 검증기가 가치 있는 수학을 찾는 과정에서 발생하는 트라이비아(trivial)의 역할과 생성 모델의 커버리지 한계를 수학적으로 규명합니다.
멀티모달 RLVR 과정에서 발생하는 사고-답변 간의 의미론적 불일치 문제를 분석하고, 이를 해결하기 위한 CORA 방법론을 제안합니다. CORA는 일관성 중심의 추론 정렬을 통해 LVLM의 추론 과정과 최종 답변 사이의 간극을 효과적으로 완화합니다.
AdaSR은 연속적인 데이터 스트림 환경에서 모델이 실시간으로 추론하고 계산 자원을 적응적으로 할당할 수 있게 하는 프레임워크입니다. 계층적 상대적 정책 최적화(HRPO)를 통해 추론 정확도와 지연 시간 사이의 최적의 균형을 달성합니다.
Persona-Pruner는 특정 페르소나를 수행하는 데 필요한 모델의 서브 네트워크를 효율적으로 추출하는 프레임워크입니다. 기존의 단순 가지치기 방식과 달리 캐릭터 특성을 보존하며 계산 비용을 획기적으로 줄여줍니다.
의료 MLLM의 추론 과정에서 발생하는 환각을 단계별로 진단하기 위한 새로운 벤치마크인 ClinHallu를 소개합니다. 시각적 인식, 지식 회상, 추론 통합의 세 단계로 오류 원인을 분석하며, 흔적 지도 미세 조정을 통해 환각을 완화하는 방법을 제시합니다.
시각-언어 모델(VLM) 내에서 이미지의 특정 영역을 추적하는 '게이즈 헤드(gaze heads)'의 존재를 발견했습니다. 이 헤드들을 제어함으로써 재학습 없이도 모델이 설명하는 대상을 원하는 영역으로 유도할 수 있음을 증명했습니다.

LLM의 혁신을 넘어, 특정 작업에 최적화된 소형 언어 모델(SLM)의 부상과 그 필요성을 다룹니다. SLM은 비용, 지연 시간, 보안 측면에서 강점을 가지며, LLM과 상호보완적인 관계로 AI 생태계의 성숙을 이끌고 있습니다.

증명이 동반되어 구조가 진화하는 'verified memory evolution'의 소규모 PoC 성공 사례를 보고합니다. n≤6 규모에서 거짓 합격(false-admit) 없이 구조 확장이 가능함을 입증했으나, 계산 비용이 지수적으로 증가하는 스케일러빌리티의 한계를 확인했습니다.
LLCore 검증 arc의 결론으로, AI의 성능(capability)과 안정성(guarantee)을 엄격히 구분하는 'verified-plasticity' 프레임워크를 소개합니다. 랑턴의 개미 비유를 통해 경험적 관측이 주는 착시를 경계하고, 사후적 구조 적응 시 안정성을 수학적으로 증명하는 방법론을 다룹니다.