네덜란드어 마비성 구어의 인간 및 자동 인식 비교: 사례 연구

마비성 구어(Dysarthria) 인식을 위해 인간 청취자와 최신 ASR 시스템의 성능을 비교한 연구입니다. 미세 조정을 거친 개인화된 DSR 모델이 인간보다 우수한 성능을 보였으며, 향후 특정 음소 및 자발적 발화 개선의 필요성을 제시합니다.

불완전한 그래프 증거 하에서의 LLM 추론 그라운딩 (Grounding)

불완전한 지식 그래프 증거를 바탕으로 LLM의 추론 궤적을 그라운딩하는 이론적 프레임워크를 제안합니다. 하드 그라운딩의 한계를 지적하며, LLM의 사전 확률을 활용한 소프트 그라운딩(soft grounding) 방식의 유효성을 입증합니다.

허위 정보 위협 완화를 위해 오픈 소스 LLM을 활용하는 멀티 에이전트 시스템 (Multi-Agentic System)

허위 정보 탐지를 위해 인간의 의사 결정 과정을 모방한 멀티 에이전트 시스템을 제안하는 연구입니다. 오픈 소스 LLM을 활용하여 합의 메커니즘과 계층적 구조를 통합함으로써 기존 GPT 모델 대비 우수한 성능을 입증했습니다.

DialogPII: 개인정보 탐지를 위한 합성 대화 전사본 기반의 다국어 데이터셋

개인정보(PII) 탐지 및 비식별화를 지원하기 위해 LLM으로 생성된 다국어 합성 대화 데이터셋 DialogPII를 제안합니다. 11개 언어와 8가지 시나리오를 포함하며, 텍스트와 음성 전사본이 정렬된 고품질 자원을 제공합니다.

EVAF: 선택적 파라미터 통합 (Selective Parametric Consolidation)을 위한 검사-재검사 프로토콜

언어 에이전트의 경험을 모델 파라미터에 선택적으로 통합하는 EVAF 메커니즘과 이를 검증하기 위한 검사-재검사 프로토콜을 제안합니다. 실험 결과, EVAF는 사실적 기억을 보존하면서도 가치 있고 놀라운 경험을 우선적으로 내재화하여 행동 지속성을 높였습니다.

LLM 기반 콜드 스타트 추천 시스템에서의 검색 병목 현상 진단 및 완화

LLM 기반 추천 시스템에서 콜드 스타트 상황 시 발생하는 검색 병목 현상을 분석하고, 이를 완화하기 위한 학습형 하이브리드 융합 계층(LHF)을 제안합니다. 실험 결과, LLM의 재순위화 성능은 검색 단계에서 정답 아이템이 누락되는 문제로 인해 제한적인 효과를 보임을 확인했습니다.

모델 보정(Model Calibration)을 위한 커널 밀도 추정(Kernel Density Estimation)에서의

딥러닝 모델의 불확실성 추정을 위해 커널 밀도 추정(KDE)을 활용할 때, 최적의 대역폭을 결정하는 새로운 '리스크 정렬(Risk Alignment)' 프레임워크를 제안합니다. 이 방법은 보정 추정 편향을 최소화하여 기존 방식보다 더 신뢰할 수 있는 모델 보정 평가를 제공합니다.

국소 충실도 규제화(Local Fidelity Regularization)를 이용한 메조모픽 신경망(Mesomorphic Neural

해석 가능한 메조모픽 신경망(IMN)의 신뢰성을 높이기 위해 국소 충실도 규제화(LFR)를 제안합니다. LFR은 가중치 붕괴 문제를 해결하여 예측 성능을 유지하면서도 신뢰할 수 있는 해석을 제공합니다.

【실데이터 검증】 Google Antigravity vs Claude Code — AI 코딩 에이전트의 데이터 이식성 철저 비교

효율적인 분포 외 탐지(OOD Detection)를 위한 국소적 평탄성(Local Flatness) 활용

본 연구는 손실 지형의 곡률 차이를 활용하여 효율적인 분포 외 탐지(OOD Detection)를 수행하는 Fold를 제안합니다. 파라미터 공간 대신 피처 헤시안을 활용하여 계산 비용을 낮추면서도 높은 탐지 성능을 확보했습니다.

DuoMem: 이중 공간 증류(Dual-Space Distillation)를 통한 유능한 온디바이스 메모리 에이전트 구현

DuoMem은 이중 공간 증류(Dual-Space Distillation)를 통해 소형 모델의 메모리 에이전트 성능을 극대화하는 프레임워크입니다. 컨텍스트와 파라미터 공간 모두에서 증류를 수행하여, 4B 모델의 성공률을 77.9%까지 끌어올리면서도 실시간 엣지 배포가 가능하도록 설계되었습니다.

NeuReasoner: 이론에 기반한 추론 유도 경계의 매핑

NeuReasoner는 LLM의 잠재된 추론 능력을 끌어내기 위해 인지 심리학 이론을 결합한 새로운 유도 도구입니다. 수학, 코딩, 베이지안 추론 등 다양한 벤치마크를 통해 추론 유도가 성공하고 실패하는 인지적 경계를 실증적으로 분석합니다.

1차 시간 논리 텐서 네트워크 (First-Order Temporal Logic Tensor Networks)

정적 지식에 집중하던 기존 신경-기호 AI의 한계를 극복하기 위해, 시간적 변화를 다룰 수 있는 FOT-LTN 프레임워크를 제안합니다. 1차 선형 시간 논리와 LTN의 퍼지 의미론을 결합하여 시간 연산자와 양화사를 지원하는 미분 가능한 모델을 구축했습니다.

Atompack: 읽기 집약적인 원자 단위 ML 학습 데이터셋을 위한 저장 및 배포 계층

원자 단위 머신러닝 학습을 위해 설계된 새로운 저장 및 배포 계층인 Atompack을 소개합니다. Atompack은 불변 인덱스와 메모리 맵 읽기 경로를 통해 셔플된 학습 워크로드에서 기존 방식보다 압도적인 읽기 속도와 높은 압축률을 제공합니다.

전립선 MRI에서의 특이도 정교화 및 위양성 메커니즘 분석에 관한 다중 아키텍처 연구

전립선 MRI 탐지 시 발생하는 위양성(false positive)의 특성을 분석하고, 이를 정교화하기 위한 경량화된 사후 정교화 헤드(post-hoc refinement head)의 성능을 연구했습니다. 연구 결과, 위양성은 모델의 오류가 아닌 데이터 자체의 영상 특성임을 확인했으며, 정교화 헤드를 통해 민감도를 유지하며 특이도를 개선할 수 있음을 입증했습니다.

행동 파운데이션 모델 (Behavioral Foundation Models)을 활용한 탐색 및 온라인 전이

행동 파운데이션 모델(BFM)을 활용하여 보상이 블랙박스인 환경에서도 온라인으로 전이 학습을 수행하는 새로운 프레임워크를 제안합니다. 밴딧 스타일의 탐색-활용 문제를 통해 에이전트가 환경과 상호작용하며 최적의 정책을 찾아가는 과정을 다룹니다.

T3R: 그래디언트 회전(Gradient Rotation)을 통한 그래프 신경망(GNN)의 심층 테스트 시간 적응(Test-Time

분포 변화 상황에서 GNN의 성능 저하를 해결하기 위해 그래디언트 회전을 활용한 T3R 기법을 제안합니다. Rotograd 행렬을 통해 자기 지도 신호의 방향을 재설정함으로써 모델 전체 아키텍처에 걸친 심층적인 테스트 시간 적응을 가능하게 합니다.

학습된 확률적 정지(Learned Stochastic Stopping)를 통한 루프형 트랜스포머(Looped Transformers)의

루프형 트랜스포머의 길이 일반화 성능을 높이기 위해 학습된 확률적 정지(Learned Stochastic Stopping) 기법을 제안합니다. 훈련 과정에서 루프 횟수에 확률성을 도입함으로써 분포 외(OOD) 분산을 줄이고 예측 안정성을 개선할 수 있음을 입증했습니다.

ArmSoM Sige7로 구축한 저전력 고성능 홈 NVR 시스템

ArmSoM Sige7(RK3588) 보드를 활용하여 10W 미만의 저전력으로 고성능 홈 NVR 시스템을 구축한 사례입니다. AI 객체 인식, 번호판 인식, AI 에이전트 연동 기능을 갖추었으며 극한의 환경에서도 안정적인 성능을 보여줍니다.

자유 시선(Free-viewing) 시선 데이터의 합의 클러스터링: 인간-정보 상호작용(HII)에 대한 새로운 통찰

자유 시선(Free-viewing) 데이터를 활용해 인간-정보 상호작용(HII) 패턴을 분석하는 새로운 비지도 앙상블 학습 시스템 EnsembleGaze를 제안합니다. 합의 클러스터링과 스펙트럴 바이클러스터링을 통해 사용자 행동과 자극 유형 간의 복잡한 관계를 규명합니다.