연구자료실

설비 연결, 품질 검사, 생산 분석과 제조 업무에 관련된 외부 논문입니다.

연구자료 검색

새 논문 요약

요점은 편집자가 정리한 메모입니다. 원저자의 표현과 다를 수 있으니 원문을 확인하세요. 2026-11-20 갱신.

  1. 1463Agents

    From Delegation to Coordination: Learning Efficient Multi-Agent Deep Research

    • 연구진은 메인 에이전트만 학습하거나 같은 팀 어드밴티지를 모든 에이전트에 방송하는 기존 방식이 오해를 유도하는 부 보고서를 보상하는 문제를 겨냥했다.
    • LEAD-RL은 학습 시점 루브릭으로 각 부 에이전트 보고서의 연구 유용성을 평가해 상속 팀 어드밴티지를 제어한다.
    • 유익한 보고서는 음의 어드밴티지를, 유해한 보고서는 양의 어드밴티지를 물려받지 못하게 걸러진다.
    • 팀 보상은 최종 답변 정확도뿐이며 토큰이나 단계, 가속에 대한 보상은 쓰지 않는다.
    • BrowseComp에서 LEAD-RL은 공유 팀 크레딧 학습 대비 정확도를 2.49 퍼센트포인트 올리고 임계 경로 비용을 24.5% 줄였다.
    • 124B-A5.1B 모델로 BrowseComp 73.5% 정확도에 도달해 파라미터 수가 두 배 이상 큰 DeepSeek V4 Flash를 앞질렀다.
  2. 1462RAG / Agents

    RMIT-ADM+S at TREC RAG 2026: Research Agents, Retriever Ablations, and Open-Weight Replication

    • 연구진은 상용 OpenAI 모델과 오픈 웨이트 모델을 쓴 일곱 개의 리서치 에이전트 실행을 TREC RAG 트랙에 제출하고 검색 전략, 작성 모델, 에이전트 흐름을 비교했다.
    • 제출 전 소거 실험에서 작성 모델 선택이 품질에 가장 큰 영향을 주었고 인접 청크 확장이 그다음 주요 인자였다.
    • 공식 평가에서 일곱 실행 중 여섯이 세 루브릭과 너겟 청크 모두에서 트랙 중앙값을 넘었고 최고 실행인 brief-hybrid는 Batch-1 필탈 커버리지에서 트랙 최고값과 0.892로 동점을 이뤘다.
    • 하이브리드 검색은 brief-base보다 검색 횟수를 14.4% 줄이고 처리 토큰을 8.2% 줄여 명확한 효율 개선을 보였다.
    • 사람의 나란히 비교에서는 평가 묶음마다 선호가 갈려 오픈 웨이트 owa-glm5가 낮은 자동 커버리지에도 Batch 1에서 앞섰고 sol-research-first가 Batch 2에서 앞섰다.
    • owa-glm5의 주제당 생성 비용은 0.524달러로 sol-research-first의 2.823달러보다 훨씬 낮았다.
  3. 1461Research Agents

    ORCHID-SAGE: Fully Reproducible CALPHAD Assessment from Evidence to Phase Diagram

    • 연구진은 CALPHAD 평가의 전문가 판단이 거의 기록되지 않아 아무도 데이터베이스를 다시 만들거나 갱신할 수 없는 문제를 겨냥해 ORCHID-SAGE 표준을 제안했다.
    • 표준은 임의 평가에 적용되는 일반 프로토콜, 계통별 결정 기록인 특정 프로토콜, 각 단계의 입력과 코드, 결과를 해시로 식별하는 실행 카드 세 층으로 기록을 조직한다.
    • Cr-Ni 계 평가에서 AI 에이전트가 문헌 탐색과 증거 검증, 일차 계산, 모델 최적화, 프로토콜 조립 대부분을 수행했다.
    • 판단이 필요한 결정은 사람에게 남겼고 결정 기록에 날짜와 책임자, 근거를 문서화했다.
    • 다른 기계의 스크립트와 MCP 도구만 쓴 AI 에이전트가 각각 기록만으로 데이터베이스를 재생성했고 13개 검사를 모두 통과했다.
    • AI 에이전트 재생성은 46턴과 2시간 38분, 모델 사용비 1.64달러에 끝났다.
  4. 1460Reasoning / RL

    Reward-Driven Collider Physics Challenges for Self-Improving Agentic AI via Reinforcement Learning

    • 연구진은 충돌기 물학 과제 여섯 개를 연속 값 보상으로 자동 채점되는 개방형 최적화 환경 형식으로 정식화했다.
    • 확립된 과제에서는 평가한 모델 모두 부스팅 트리나 OmniFold 같은 접근으로 인간 수준에 수렴했다.
    • 새로 설계한 쌍광자 공명 탐색 과제에서는 최종 보상이 0.487에서 0.782로 넓게 갈리고 기준 프로그램 0.689를 넘은 모델은 하나였다.
    • 유전 진화 20세대 동안 27B 모델의 숨은 데이터 집합 평균 보상이 0.382에서 0.626까지 올라갔다.
    • GRPO 강화학습 30스텝 후 27B 모델의 단일 실행 평균 보상이 기본 0.116에서 0.457로 올라갔다.
    • 보상 기반 선택이 개발 배경을 템플릿으로 쓰는 비율을 세대 2부터 사라지게 하고 모수적 배경 적합을 1.00까지 끌어올리는 등 물리적으로 건전한 전략을 사람 안내 없이 유도했다.
  5. 1459Research Agents

    Science Prediction Universe

    • 연구진은 화학, 재료과학, 생물학, 의학의 숨겨진 실험 결과로 에이전트를 평가하는 Science Prediction Universe 벤치마크를 공개했다.
    • 공개 100 과제는 최근 논문 85편에서, 비공개 16 과제는 미출판 습식 실험에서 만들었고 측정값은 격리된 채점기만 가진다.
    • 에이전트는 실험 정의만 받아 후보를 측정 결과 순위로 배열하며 8시간 동안 자유롭게 계산하고 검색할 수 있다.
    • 공개 벤치마크에서 구성들은 두 계층으로 갈렸고 task-adjusted 상관은 최저 0.227에서 최고 0.478이었다.
    • 계산을 늘려도 예측이 나아지지 않았고 점수는 실행 시간이나 도구 호출, GPU 사용과 검출 가능한 상관이 없었다.
    • 병목은 과학적 판단이지 도구 실행이 아니어서 에이전트들은 서로 0.52로 동의하는데 실측과는 0.33만 일치했다.
  6. 1458Research Agents

    RSI-PDEbench: A Benchmark for Self-Improving Agents in PDE Solving

    • 연구진은 희박한 관측에서 미지의 편미분방정식과 계수를 식별하고 수치해석기를 만드는 에이전트 과제를 위해 42개 템플릿 1,001 사례의 RSI-PDEbench를 공개했다.
    • 세 평가 설정은 무잡음 Full, 신호 실효값의 50% 잡음을 더하는 Noisy, 못 본 템플릿과 밀린 계수 범위를 시험하는 Hard-OOD다.
    • RSI-PDE 하니스는 잔차 손실로 후보 방정식 다섯 개를 추리고, 공개 상대 L2 피드백으로 방정식 선택과 계수, 수치해석기를 다듬는다.
    • 관문을 통과한 제안만 솔버와 정책, 메모리에 반영되고 기반 모델과 감독자는 고정된 채로 남는다.
    • 네 모델 평균 통과율이 세 설정에서 단일 실행 대비 106.5%에서 181.9% 올랐고 네이티브 하니스 대비로도 3.0%에서 19.6% 올랐다.
    • 12개 모델-설정 쌍에서 총 기록된 모델 호출 수는 46.9% 줄었다.
  7. 1457Software Engineering

    Mach2: Scientific Discovery Platform with Deterministic Execution Constraints

    • 연구진은 프롬프트만으로는 자연어 운영 규칙 준수가 보장되지 않는 문제를 겨냥해, 규칙을 결정적이고 링트 같은 검사식으로 바꾸는 Mach2 플랫폼을 제안했다.
    • Eigen 오케스트레이터가 목표를 유계 작업으로 분해하고 실행 흐름을 만들어 전문 에이전트를 commissioning하며 결과를 통합한다.
    • 작업자는 격리된 분기에서 수정안을 제안하고, 의무 규칙과 통합 시험을 통과한 후에만 받은 프로젝트 상태가 갱신된다.
    • CodeGrapher가 추상 구문 트리로 소스코드 개체와 관계를 색인해 모델 묘사 대신 구조적 근거와 실행 가능한 동작을 제공한다.
    • 과제별 에이전트 패키지를 만들어 외부 엔드포인트에서 독립 실행하게 하고, 반환된 산출물을 선언된 인터페이스와 증거 요건에 따라 검증한다.
    • 근거 없는 주장은 모델 내부 지식 의존으로 따로 표시해 출처 추적 가능성을 유지한다.
  8. 1456AI Agents

    Towards an Autonomous AI Steward for Large-Scale Physics Experiments: Integrating Causal Diagnostics, RAG, and Conformal Prediction

    • 연구진은 장기 물리 실험의 기계 데이터 감시와 전문가 암묵지 보존 문제를 위해 헬름홀츠 코파일럿이라는 하이브리드 멀티에이전트 시스템을 제안했다.
    • 비동기 인과 진단 엔진이 하드웨어 스트림을 상시 감시하며 동적 인과 탐색으로 연쇄 알람을 근본 원인까지 거슬러 추적하고, 이상을 감지하면 정형 진단 보고서를 멀티에이전트 시스템에 넘긴다.
    • 기관 지식 축은 RAG 백본으로 위키와 로그, 데이터베이스를 검색하며, 지식 공백이 발견되면 인터뷰 모드로 운영자 통찰을 벡터 스토어에 다시 기록한다.
    • 위험한 동작은 인간 감시 장치가 가로채서 에이전트 상태를 저장하고 운영자가 승인할 때까지 실행을 멈춘다.
    • 코포멀 예측을 활용해 근본 원인별 확률에 수학적 보장을 붙인 증거 기반 권고를 운영자에게 제시한다.
  9. 1455Machine Learning

    COMBIO: Automated Discovery of a Compact Composite Biomarker from Routine Laboratory Panels

    • 연구진은 정형 검사 패널 기반 머신러닝 모델이 해석과 현장 적용에 어려움을 주는 문제를 겨냥해, 모델을 간단한 곱셈 공식 바이오마커로 증류하는 COMBIO 파이프라인을 제안했다.
    • 그래디언트 부스팅 참조 모델의 SHAP 값으로 검사항목 상위 다섯 개를 선정하고, 방향성 점검으로 각 지수의 부호 가능 범위를 좁힌다.
    • 지수를 -2부터 2까지 정수로 가지고 항이 2개에서 4개인 곱셈 공식을 내부 검증 집합에서 완전 탐색해 공식을 고른 뒤 시험 집합에서 평가했다.
    • 여섯 시험 집합에서 COMBIO의 AUROC는 다섯 변수 로지스틱 회귀와 최대 0.03 차이였다.
    • MIMIC-IV 입원 사망 공식은 외부 eICU 데이터베이스에서 AUROC 0.698을 유지했고, 널리 쓰이는 검사항목만 쓴 버전은 입원의 92%를 덮는 코호트에서 0.786을 냈다.
    • 곱셈 표현은 간결함을 주는 것이며 정확도 향상이 아니어서, 임상 사용 앞에는 현지 검증과 재보정이 필요하다고 저자가 밝혔다.
  10. 1454AI Agents

    KnowEvo: Knowledge Evolution for Protein Optimization

    • 연구진은 얻은 전문성이 모델 가중치에 박히거나 반복 과정에 흩어져 검사와 평가, 수정이 어려운 문제를 겨냥해 외부화된 지식 자체를 최적화 대상으로 삼는 KnowEvo를 제안했다.
    • 지식을 실행 가능한 전문성 블록으로 표현하고 개정을 전략 돌연변이 트리로 조직해, 블록 단위로 실행과 증거를 일치시켰다.
    • 순방향 단계는 톰프슨 표집 스타일의 사후 할당으로 평가 예산을 노드에 적응적으로 배분한다.
    • 역방향 단계는 코드 에이전트가 격리된 샌드박스에서 롤아웃 증거를 검토해 대상 블록을 국소적으로 수정하고, 검증을 통과한 개정만 자식 노드로 추가한다.
    • Rosetta 안정성 과제에서 pass@1을 42.4%에서 50.5%로, SaProt 가용성 과제에서 pass@1을 31.6%에서 51.5%로 올렸다.
    • GEPA와 AdaEvolve 같은 LLM 기반 진화 기법들을 두 과제의 여섯 지표 모두에서 앞섰다.
  11. 1453Software Engineering

    Software Refactoring Research with Large Language Models: A Systematic Literature Review

    • 저자들은 리팩토링에 생성형 LLM을 쓴 주요 연구 50편을 검토했다.
    • 가장 많이 쓰인 언어는 Java였고, 데이터셋은 GitHub, Apache, F-Droid 같은 오픈소스 프로젝트에서 수집됐다.
    • 언어에 따라 원샷, 퓨샷, 문맥 강화, 사고사슬 프롬프트가 효과가 달랐고, 사고사슬을 쓴 UTRefactor는 테스트 코드 냄새를 2,375개에서 265개로 줄여 89% 제거를 달성했다.
    • 정확도의 정의가 연구마다 크게 달라, 연구 간 비교를 위해 표준화된 정확도 측정이 필요하다고 지적했다.
    • 가장 자주 언급된 코드 냄새는 Large Class와 Long Method였고, 가장 많이 시도된 리팩토링 유형은 Extract Method였다.
  12. 1452AI Agents

    Agent Benchmarks Stop Ranking Before They Run Out of Tasks

    • SWE-bench Verified에서 강화된 테스트는 중간 에이전트의 통과 패치 17.7%를 거부했고, 이 오차는 이웃 모델 간 격차보다 커서 이웃 순위가 사실상 우연에 가깝다는 것을 보였다.
    • ALE-Bench 상위 10개는 대회 점수로는 3개 집단으로 갈리지만 중간 인간 기준 합격/불합격으로 채점하면 5개 모델이 40문제 중 39문제를 통과해 한 집단이 되었고, 기준을 이긴 실행은 47.8%였다.
    • Terminal-Bench 재실험에서 합격/불합격으로 동률인 모델들이 실제 성능에서 크게 갈렸고, portfolio-optimization에서 opus의 중앙 속도향상은 10.9×, 나머지는 1.3×였다.
    • 같은 과제에서 합격선을 올리는 것은 문제를 옮길 뿐이었고, 대회 우승자 기준으로 맞춘 합격선은 이전 모델 89%에게 모든 과제에서 0점을 주었다.
    • 저자들은 양의 값에 대해 기준선 0과 참조점 1을 가지고 세 참조 격차에서 자르는 로그 비율 점수와, 비용을 별도 축으로 보고하는 평가 설계를 제안했다.
  13. 1451Research Agents

    Sage-Taiyi: A Metacognitive Architecture for Scientific Discovery

    • Sage-Taiyi는 객체 수준의 Target Tree, Idea Graph, Evidence State와 메타 수준의 Cognitive State, Cognitive Repertoire를 두고 감시와 제어로 연결하는 두 층 구조를 썼다.
    • Taiyi-Bench에서 Sage-Taiyi는 역사적 재발견과 개방형 아이디어 생성의 8개 지표 모두에서 1위를 했고, Overall 점수 54.0으로 최강 기준선 AI Scientist-v2의 47.9를 앞섰다.
    • 코발트 촉매 카르보닐화에서 반응 조건 최적화로 수율을 흔적 수준에서 84%로 올렸다.
    • 광촉매 알릴릭 아민화에서도 수율을 13%에서 69%로 올렸다.
    • 시스템은 증거, 가정, 미해결 질문에 대한 이해를 계속 다듬으며 연구 목표와 재사용 가능한 추론 방법을 선택한다.
  14. 1450Machine Learning

    HyPLM Technical Report

    • HyPLM-Flash는 726 billion 토큰으로 학습된 650M 파라미터 마스크드 언어 모델이고, ESM-2 650M의 0.73배, E1-600M과 ESM C 600M의 8분의 1에서 5분의 1 데이터만 썼다.
    • ProteinGym 제로샷 스피어만 상관 0.409로 ESM-2 650M, ESM C 600M, E1-600M과 통계적으로 동률이었고, 단일서열 자기지도 모델 중 유기체 적합도 점수가 가장 높았다.
    • ProteinNet 장거리 접촉 정밀도 L/5에서 0.650으로 ESM-2 650M의 0.392보다 훨씬 높았고 ESM-2 15B를 포함한 평가 전체 모델 중 최고였다.
    • 융합 커널과 INT8 행렬곱 추론 엔진으로 H20 GPU 한 장에서 초당 약 130,000 잔기를 처리했고, 이는 다른 600M급 인코더보다 1.9~2.7배 빠르다.
    • 모델은 연구 에이전트 Hyra 2.0이 학습시켰고, 저자들은 가중치와 추론 엔진을 공개했다.
  15. 1449Research

    Building heterogeneous multistep workflows in automated microscopy: reward design and knowledge transfer for autonomous structure property discovery

    • 프레임워크는 측정 위치에 더해 영상 촬영 대 분광 측정 선택, 영상 창 크기, 스캔 속도를 통제 행동으로 두고 예산 제약 아래 결정한다.
    • 사전 실험 지식으로 예측기 정확도와 계산 비용, 학습자 성숙도 함수, 드리프트 특성을 캠페인 전에 옮기되 평가 참조와는 엄격히 분리했다.
    • 실제 전자에너지손실분광 데이터로 두 캠페인을 실행했고, 반응 발견과 구조-물성 학습이 서로 다른 대리 모델과 획득 전략을 선호했다.
    • 주 탐색 비교에서 불확실성 감소와 오차 개선의 평균 순위 관계는 RF에서 −0.009, DCNN에서 −0.527, DKL에서 0.037이었고, 불확실성 이득이 있는 행동 중 오차를 악화시킨 비율은 약 50%, 70%, 48%였다.
    • 드리프트 캠페인에서 명시적 정합으로 위치 정확도가 크게 올라갔고, 프레임워크는 이것이 분광 처리량에서 얼마를 비용으로 지불하는지 측정했다.
  16. 1448Computer Vision

    Breaking survivorship bias in driving world models

    • 기존 월드모델은 충돌 0.5초 전에도 Vista 9%, GEM 12%만 충돌을 상상했고, NWM은 86%에 도달했다.
    • NWM은 일상 운전 영상에서 허위 충돌률이 8%에 그쳐 사고 영상의 겉모습만 보고 충돌을 만드는 것이 아님을 보였다.
    • NAVSIM 도전 장면 200곳에서 NWM 기반 행동 선택은 PDMS 0.783을 기록해 Vista 기반 0.637을 앞섰고 오라클 0.959에 근접했다.
    • 실제 연구 차량과 보행자 모형 실험에서 응답 단계 NWM은 모든 결정 지점에서 올바른 제동을 골랐고 Vista는 정확도가 30%로 떨어졌다.
    • 두 기본 모델의 주된 실패 양상은 상대 차량이 사라지거나 장면이 멈추는 등 충돌을 회피하는 방향으로 미래를 다시 쓰는 것이었다.
  17. 1447Research

    Amortized Bayesian Experimental Design with In-Context Knowledge Conditioning

    • IMBUE는 사용자가 정한 사전지식과 이전 실험 관찰이라는 두 형태의 외부 지식을 추가 입력 토큰으로 넣어 재학습 없이 받아들이게 했다.
    • 배운 신뢰도 필터가 각 외부 토큰을 현재 관찰과 비교해 점수를 매기고, 기준값 0.5 이하인 토큰은 계산에서 제외했다.
    • 단순 이어붙이기 기준선은 이전 사례를 배포 시점에만 넣으면 오히려 기준 정책보다 성적이 떨어졌다.
    • CES 작업에서 관련 사례 K=5를 받은 IMBUE는 sPCE 13.93을 얻었고, 무관 사례에서도 13.14로 K=0 성적 13.46 근처를 유지했다.
    • Location Finding에서 강한 사전지식을 받으면 ALINE과 같은 최종 성적에 몇 단계 먼저 도달했다.
  18. 1446Software Engineering

    Deliberate Pacing for Human Oversight in Agentic Software Development

    • 저자들은 속도와 페이스를 구분했고, 의도적 페이싱을 자율 개발의 시점과 방식을 조절해 의미 있는 감독 기회를 보존하는 것으로 정의했다.
    • 20개 문헌 검토에서 느린 개발의 동기로 품질, 장기 지속가능성, 배려와 윤리, 가속 저항, 적절한 속도의 다섯 주제가 반복해서 나타났다.
    • 사람 개입의 상대 비용 변화, 감독 기회의 시점, 개발 주기 전반의 페이싱 상호작용이 비전을 뒷받침하는 세 요인으로 제시됐다.
    • 사후 검토가 중요한 결정이 실행되기 전의 개입과 같은 기회를 주지 못할 수 있어, 개입 시점이 감독의 질을 결정한다고 주장했다.
    • 세 가지 연구 질문과 함께 개발자 인터뷰, 준실험, 시뮬레이션 기반 방법으로 페이싱을 연구하겠다는 계획을 제시했다.
  19. 1445LLMs / NLP

    AlienBench: A Benchmark of Structural Novelty in Language Model Outputs

    • AlienBench는 인지심리학의 구조화된 상상 과제를 언어모델에 적용해, 열 개 생물학적 특징이 지구 동물 기본값에서 벗어났는지를 0 또는 1로 표시해 0에서 10점을 매긴다.
    • 세 LLM 심판 패널의 판정 일치도는 Krippendorff α 0.913으로 높았고, 각 모델은 여섯 조건에서 30개씩 180개 묘사를 만들었다.
    • 열 개 모델의 전체 점수는 3.28(GPT-6 Luna)에서 6.55(Ministral 3 14B 2512) 사이였다.
    • 오픈 웨이트 모델 평균 점수 5.40이 독점 모델 평균 4.58보다 높았고, 최고점 모델도 오픈 웨이트였다.
    • 기준 프롬프트에서 모든 모델은 100명 인간 참가자보다 모든 특징에서 더 자주 지구 기본값을 벗어났다.
  20. 1444Research Agents

    Scientist World: Grow a Research World for AI-Scientists

    • 사람 개입 없는 다중 에이전트 파이프라인이 논문을 받아 방법을 재현하고, 그 재현 결과가 새 방법의 채점 기준이 되는 자립형 환경 1,000개를 만들어 공개했다.
    • AI 과학자는 논문의 재현된 방법 대비 개선 정도를 Frontier-Normalized Improvement(FNI)로 점수 받으며, 최전선 AI 과학자는 74%의 경우 인간 연구자를 앞섰다.
    • 환경들은 6,400 시간의 연구 궤적을 남겼고, 모든 아이디어와 실험, 실패, 성공이 기록으로 보존됐다.
    • 이 환경에서 실제 실험 결과만을 보상으로 소형 모델을 훈련해, 아이디어 제안 능력을 158% 끌어올려 매개 환경 중앙값 기준 최전선 집단 수준에 도달했다.
    • 논문 124,816편 중 품질과 실행 가능성 기준으로 1,000편을 골라 환경으로 만들었고, 환경은 매일 새 문헌을 흡수해 계속 자란다.
  21. 1443Research Agents

    Contrastive Discovery: Open-Ended Scientific Discovery over Competing Explanations

    • 연구진은 하나의 과학 질문에 대해 서로 배타적이고 합쳐서 모든 경우를 덮는 경쟁 설명들을 묶은 대비 집합을 발견의 단위로 제안했다.
    • 점별 방식의 상위 후보 89%는 기각이었는데, 같은 증거를 대비 집합으로 다시 평가하자 이 후보들의 73%가 특정 대안으로 해결되었다.
    • 대비 집합으로 탐색을 이끌면 같은 실험 예산에서 점별 방식보다 67% 더 많은 질문을 해결했고, K=200에서 평균 161.9개 대 97.2개였다.
    • 눈가림 평가에서 38명의 사람 전문가가 해결된 질문의 78%에서 시스템과 같은 설명을 골랐다.
    • 이득의 대부분은 교정 해결에서 나왔는데, 이는 증거가 사전 최다 득표 설명 대신 다른 설명으로 지지를 옮긴 경우다.
    • 저자는 실험이 표 형태 관측 데이터와 gpt-4o 하나를 썼고, 이런 데이터에서 해결은 인과가 아니라 통계적 발견이라는 한계를 적었다.
  22. 1442Machine Learning

    Vendi Anomaly Scores for Efficient and Accurate Anomaly Detection

    • 연구진은 샘플을 뺄 때 Vendi 점수로 잰 데이터 다양성의 변화로 이상치를 정의하는 Vendi 이상 점수를 제안했다.
    • 정확한 하나 빼기 점수의 일차 근사를 유도해 임베딩 데이터셋 크기에 선형으로 확장되게 만들었다.
    • 이 방법은 밀도 추정, 분할 휴리스틱, 하이퍼파라미터 조정 없이 고유값 스펙트럼에 맞춰 q 값을 자동으로 정한다.
    • 10개 원본 데이터셋과 4개 임베딩 구조에서 나온 148개 벤치마크 데이터셋에서 최고 수준 이상 탐지 성능을 달성했다.
    • 최대 100k 샘플 ImageNet 실험에서 오염 비율과 규모가 커져도 성능이 유지되었다.
  23. 1441Machine Learning

    Large Language Models as a Universal Searcher for Open-World Automated Machine Learning

    • 연구진은 모델 구조, 학습 하이퍼파라미터, 데이터 비율을 통일된 이산 수치열 NCode로 부호화해 세 설계 공간을 함께 최적화했다.
    • LLM 서처는 후보 풀에서 우수한 후보를 고르는 순위 문제로 재정의되어, 과제 특화 미세조정 없이 열린 세계 최적화를 수행한다.
    • 단일 비전 도메인인 NAS-Bench-301 궤적으로만 학습하고도 이미지 분류, 분할, 화자 검증, 텍스트-이미지 벤치마크에서 최고 수준 성능을 냈다.
    • 십억 파라미터 규모 Diffusion Transformer의 대규모 학습과 공동 최적화에서 896 GPU-days를 들여 GenEval 점수 0.91의 최고 수준 성적을 냈다.
    • GRPO로 사고사슬 추론을 학습시켜, 최적화 전략이 초기의 다양성 중심 탐색에서 후기의 닻 중심 활용으로 옮겨가는 것을 해석했다.
  24. 1440AI Agents

    PARIS: A multi-agent LLM framework for end-to-end, PRISMA-guided systematic literature reviews with pre-synthesis corpus quality assessment

    • 연구진은 Claude Code에서 도는 지휘 에이전트가 전문 대규모 언어 모델 에이전트 15개를 조율하는 PARIS 프레임워크를 만들었다.
    • 모든 에이전트는 오직 저장된 산출물 파일로만 소통하고, 지휘 에이전트는 다음 단계 전에 파일이 있는지 검사한다.
    • 연구 포함, 코퍼스 적절성, 합성 개요의 세 사람 확인 문이 중요한 결정을 사람 손에 남겨둔다.
    • QualityScore는 합성 전에 코퍼스 품질을 0에서 100 사이 점수로 매기고, 첫 사례에서 코퍼스 개선으로 74.6에서 81.9로 올랐다.
    • 두 번째 사례 연구는 131건 기록 중 123건을 포함했고 QualityScore 69.1을 기록했다.
    • 저자 감사는 검색 누락, 에이전트 사이 숫자 어긋남, 확인 결정 미기록 같은 실패 양상을 드러냈고, PRISMA 2020 항목 27개 중 8개만 완전 지원한다고 적었다.
  25. 1439Machine Learning

    HyInv Technical Report

    • 연구진은 1.96-million-parameter 골격 조건 그래프 신경망인 HyInv를 무작위 순서 자기회귀 사전학습과 구조 보상 강화학습으로 학습시켰다.
    • 초안은 높은 온도로, 수정은 낮은 온도로 나누어 샘플링하는 방식이 같은 다양성에서 refolding TM-score를 높였다.
    • BF16 수치 연산의 최적화 구현은 402잔기 골격에 대해 128개 서열을 단일 NVIDIA H20 GPU에서 50.6 ms에 설계해 기준 샘플러보다 약 52배 빠르다.
    • 다섯 벤치마크 데이터셋과 일곱 데이터셋-예측기 조합에서 HyInv는 비슷하거나 더 높은 서열 다양성에서 열 개 외부 기준선 모두보다 높은 평균 scTM을 달성했다.
    • ProteinMPNN과 ProteinZero V2에 대한 평균 마진은 각각 +0.013과 +0.008이었다.
    • 같은 기본 설정으로 de novo 골격, 주머니 제약 라이브러리, 촉매 자리를 보존한 효소 재설계, 루프 재설계를 지원한다.
  26. 1438Reasoning / Efficiency

    Late but Valuable: Why Deadlines Change the Measured Value of LLM Reasoning

    • 연구진은 실험실의 마감시간이 지나면 기본 동작이 대신 실행되는 상황에서, 답의 가치와 도착 시간을 따로 요약하면 실제 전달 가치를 과대 예측함을 보였다.
    • 1,200건 판정 재생에서 마감을 넘긴 사고 모드 답은 제시간 답보다 약 다섯 배 가치가 컸다.
    • 분리 요약은 사고 모드가 실제로 전달한 가치의 약 두 배를 예측했고, 빠른 모드 대비 우위를 0.0241만큼 과대 평가했다.
    • 단일 GPU에서 Qwen3-8B의 동시 요청을 8에서 56으로 늘리자 45 s 마감을 맞추는 사고 답 비중이 79.2%에서 1.4%로 떨어졌다.
    • 저자는 답 하나하나의 가치와 도착 시간을 짝지어 실제 실행된 동작에 점수를 매기는 평가를 권했다.
  27. 1437Distributed Systems

    Advancements in Cloud-Native Systems: A Systematic Mapping Study of Reliability and Scalability across Cloud-Native, Edge-Native and AI-Enabled Systems

    • 연구진은 OpenAlex 검색 5건과 이전 탐색 기록 189건을 합쳐 총 4,611건 기록을 검사했다.
    • 검토는 2017년부터 2026년까지의 1차 연구 1,794편과 2차 연구 95편을 포함했다.
    • 13개 범주 분류에서 각 연구는 시뮬레이션, 프로토타입이나 테스트베드, 운영 데이터, 운영 배포, 판정 불가로 등급이 매겨졌다.
    • 판정 가능한 1,003편 중 66.2%가 프로토타입이나 테스트베드였고 18.0%가 시뮬레이션, 15.8%가 운영 데이터나 배포였다.
    • 93편 핵심 종합은 연쇄 실패 예방, 추적·그래프 기반 원인 분석, 예측형 오토스케일링의 운영 배포와 콜드 스타트 완화의 운영 추적 평가를 확인했다.
    • 핵심 종합의 실증 연구들은 에이전트 프레임워크가 여전히 취약하다는 점을 보였다.
  28. 1436Distributed Systems

    DICOMPUTE: An Economic and Privacy-Aware Framework for Distributed Artificial Intelligence Inference

    • 연구진은 정책 제약 스케줄링으로 추론 요청을 사유·지역·독립 컴퓨팅 자원에 배치하는 분산 추론 구조 DICOMPUTE의 연구 프레임워크를 제시했다.
    • 총비용 모델은 자본 상각, 에너지, 네트워크 전송, 편성, 활용률, 실패, 신뢰 비용을 모두 포함한다.
    • 예시 시나리오에서 고정비와 변동비 구조에 따라 월 5.625 million 요청의 손익분기점이 나왔다.
    • 프라이버시 모델은 데이터 거주지, 전송 기밀성, 실행 기밀성, 검증 가능한 정산을 구분한다.
    • 저자들은 반증 가능한 가설과 재현 가능한 실험 설계를 제시하고 시뮬레이션을 실측 성능으로 내세우지 않았다.
    • 중앙 집중 클러스터는 긴밀 결합되고 메모리 집약적인 고처리량 추론에서 구조적 이점을 유지한다는 조건부 결론을 내렸다.
  29. 1435Research Agents

    Scientific Liquidity Agents: An Agent-Based Model of Knowledge Arbitrage in Scientific Communities

    • 연구진은 도메인 전문가와 지식 중개자를 같은 환경에 넣은 에이전트 기반 모델 SLA를 소개했다.
    • 에이전트 결정은 믿음-욕망-의도 구조로 짜고, 선행 문제 그래프와 동적 상호작용 망, 논문 등록부가 공유 상태를 이룬다.
    • 10 에이전트와 18 에이전트 시뮬레이션에서 각각 68편과 274편의 논문이 등록되었다.
    • 작은 실행에서 중개자는 공동체를 하나의 연결 성분으로 묶는 26개 접촉 쌍 중 16개에 참여했는데, 주제 유사도만으로는 일곱 조각으로 갈라졌다.
    • 논문 생산은 풍부했지만 기록된 재현 성공이 없어, 병목이 검증에 있음을 보였다.
    • 해결된 문제 집합은 공동체가 대표하는 분야의 선행 문제 도달 가능성과 대응했다.
  30. 1434AI Agents

    Advances in Agentic Computer Graphics

    • 연구진은 에이전트 그래픽스 시스템을 명세, 기반 모델, 하네스, 그래픽스 인터페이스와 도구의 네 차원으로 특성화하는 통합 분류 체계를 도입했다.
    • 수집한 문헌은 2026년 9월까지 출판된 논문 300편이 넘는다.
    • 저자들은 이 분류 체계로 논문을 찾아 읽고 설계에 주석을 다는 에이전트 문헌 조사 시스템을 만들었다.
    • 시스템은 분류 표, 설계 통찰, 한계를 출처 근거와 함께 기록해 논문 간 비교와 흐름 분석을 지원한다.
    • 보고서는 도구와 에이전트 조율, 사람-에이전트 협업 인터페이스, 장기 계획과 다듬기, 상호작용 그래픽스 시스템 평가의 열린 과제를 논의했다.

연구에서 제품 적용까지

운영 중인 기능, 시범 적용과 개발 중인 기술을 구분해 정리했습니다.

보유기술 보기