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.
- 339LLMs / NLP
You Only Index Once: Cross-Layer Sparse Attention with Shared Routing
- KV 공유 아키텍처에서 라우팅 인덱스까지 레이어 간 공유하는 CLSA를 제안한다.
- 단일 인덱서가 top-k 선택을 한 번 수행하고 결과를 전체 층에서 재사용한다.
- 토큰 희소 attention의 정확도를 유지하면서 라우팅 비용을 분할 상환한다.
- 프리필링, KV 캐시, 디코딩 등 모든 주요 추론 병목을 동시에 개선한다.
- 128K 컨텍스트에서 7.6배 디코딩 가속, 17.1배 전체 처리량 향상을 달성한다.
- 338AI / General
Goedel-Architect: Streamlining Formal Theorem Proving with Blueprint Generation and Refinement
- 정의와 보조정리의 의존성 그래프인 청사진을 생성하고 정제하는 전략을 사용한다.
- 재귀적 보조정리 분해 대신 병렬 증명과 전역 정제로 dead-end 루프를 방지한다.
- DeepSeek-V4-Flash(284B-A13B) 오픈 모델을 백본으로 사용한다.
- MiniF2F-test 100%, PutnamBench 88.8%, IMO 2025 4/6, Putnam 2025 11/12를 달성한다.
- 유사 오픈소스 파이프라인 대비 최대 500배 낮은 비용으로 SOTA를 기록한다.
- 337Statistics
How abundant are good interpolators?
- 보간 분류기 집합에서 무작위 선택 시 일반화 오차에 대한 대편차 원리를 확립한다.
- 거의 모든 보간 분류기가 동일한 일반화 성능에 지수적으로 집중됨을 보인다.
- 가우시안 혼합 모델과 로지스틱 모델 두 가지 자연스러운 분포에서 분석한다.
- 과파라미터화 영역에서 기울기 하강과 선형 계획법이 무작위 보간기보다 우수하다.
- 실용적 알고리즘의 무해한 과적합이 자명하지 않은 비자명한 현상임을 시사한다.
- 336Machine Learning
PC Layer: Polynomial Weight Preconditioning for Improving LLM Pre-Training
- 저차 다항식 전처리로 가중치 행렬의 특이값 스펙트럼을 안정화한다.
- 학습 후 가중치를 원래 아키텍처에 병합해 추론 오버헤드가 없다.
- Llama-1B에서 AdamW, Muon 모두에 대해 표준 transformer 대비 성능 향상을 달성한다.
- 이론적으로 층별 특이값 균일 제한 시 기울기 하강의 기하학적 수렴을 보장한다.
- 추가 파라미터나 구조 변경 없이 기존 LLM 학습 파이프라인에 적용 가능하다.
- 335AI / General
MLEvolve: A Self-Evolving Framework for Automated Machine Learning Algorithm Discovery
- Progressive MCGS로 브랜치 간 정보 흐름을 가능케 해 기존 트리 탐색의 고립 문제를 해결한다.
- Retrospective Memory로 도메인 지식과 태스크 경험을 동시에 활용한다.
- 전략 기획과 코드 생성을 분리하는 적응적 코딩 모드로 장기 반복의 안정성을 확보한다.
- MLE-Bench에서 12시간(표준의 절반) 예산으로 평균 메달률과 유효 제출률 SOTA를 달성한다.
- AlphaEvolve를 수학 알고리즘 최적화에서 능가하며 강한 교차 도메인 일반화를 보여준다.
- 334LLMs / NLP
Self-Augmenting Retrieval for Diffusion Language Models
- 디노이징에서 버려지는 저신뢰도 토큰을 검색용 lookahead 신호로 활용한다.
- 학습 불필요, 검색기 무관, 모든 이산 확산 언어모델에 적용 가능하다.
- 저신뢰도 토큰이 출력 완성 전 주요 개체를 미리 표면화하는 특성을 이용한다.
- 5개 다중 홉 QA 벤치마크에서 기존 기준선들을 능가한다.
- 기존 대비 최대 8배 높은 처리량을 달성한다.
- 333Machine Learning
RREDCoT: Segment-Level Reward Redistribution for Reasoning Models
- 사고사슬의 지연 보상 문제를 구간 수준 보상 재분배로 해결한다.
- 모델 자체를 활용해 추가 생성 없이 최적 보상 재분배를 근사한다.
- 몬테카를로 샘플링 대비 계산 오버헤드를 크게 줄인다.
- 정답 도달에 기여하는 CoT 구간을 식별해 credit assignment를 수행한다.
- CoT 분할 방식과 상태 가치 추정 방법의 설계 선택을 체계적으로 분석한다.
- 332Machine Learning
Pretraining Recurrent Networks without Recurrence
- RNN 학습을 단계 기억 전이에 대한 지도학습으로 환원해 순환 전파를 우회한다.
- Transformer 기반 인코더로 기억 라벨을 생성해 무엇을 기억할지를 학습한다.
- 모든 토큰 쌍 간 O(1) 기울기 경로로 장거리 의존성을 안정적으로 포착한다.
- 시간 축 병렬 학습이 가능해 RNN 스케일링의 병목을 해소할 잠재력이 있다.
- 언어모델링과 픽셀 시퀀스 모델링에서 표준 BPTT를 능가한다.
- 331Game Theory
DNQ: Deep Nash Q-Network for Partially Observable n-Player Games
- solver-in-the-loop 균형 감독 프레임워크로 입찰 에이전트를 학습한다.
- 공유 critic이 pairwise 보수 행렬 또는 N인 보수 텐서를 예측해 학습 효율을 높인다.
- pairwise 공식화는 정확한 N인 공식화 대비 계산 비용을 크게 감소시킨다.
- 정확한 방법은 에이전트 수가 늘어나면 계산적으로 실현 불가능해진다.
- 전략적 충실도와 확장성 사이의 트레이드오프를 실증적으로 보여준다.
- 330LLMs / NLP
Operation-Guided Progressive Human-to-AI Text Transformation Benchmark for Multi-Granularity AI-Text Detection
- 인간-AI 점진적 공동 편집 과정을 9단계로 모델링하는 벤치마크 OpAI-Bench를 제안한다.
- 문서, 문장, 토큰, 스팬 네 가지 세분성에서 AI 텍스트 탐지기를 평가한다.
- 5가지 대표적 AI 편집 연산과 4개 도메인을 포괄한다.
- 혼합 저작의 중간 버전이 완전 인간이나 고비율 AI보다 탐지하기 더 어려운 비단조적 패턴을 발견했다.
- AI 탐지 가능성은 편집 비율, 연산 유형, 도메인, 누적 이력에 모두 의존한다.
- 329Machine Learning
Regret Minimization with Adaptive Opponents in Repeated Games
- 적응적 상대가 있는 반복 게임을 위한 새 메트릭 RP-Regret을 도입한다.
- RP-Regret은 기본적으로 비볼록 문제이며, 이를 다루기 위한 세 가지 알고리즘을 제안한다.
- 모든 플레이어가 RP-Regret을 최소화하면 부분게임 완전 균형을 학습할 수 있다.
- Stag-Hunt 게임에서 기존 방식보다 더 협력적이고 효용이 높은 해로 수렴한다.
- 비교 전략과 상대 전략의 기억에 대한 필요조건을 규명한다.
- 328Robotics
TempoVLA: Learning Speed-Controllable Vision-Language-Action Policies
- 기존 VLA는 고정 속도만 학습하지만, TempoVLA는 명시적 속도 조건으로 실행 속도를 제어한다.
- VSTA 데이터 증강으로 데모를 임의 속도로 재조정하면서 운동 의미를 보존한다.
- 시뮬레이션과 실제 환경 모두에서 양방향 유연한 속도 제어를 달성한다.
- 대형 멀티모달 모델과 결합해 위험도 기반 동적 속도 제어를 실현한다.
- VSTA는 기본 1x 속도 성능도 데이터 활용도 향상으로 개선한다.
- 327Software Engineering
Code2LoRA: Hypernetwork-Generated Adapters for Code Language Models under Software Evolution
- 하이퍼네트워크가 리포지토리별 LoRA 어댑터를 생성해 추론 시 토큰 오버헤드 없이 저장소 지식을 주입한다.
- 정적 스냅샷용 Code2LoRA-Static과 진화하는 코드베이스용 Code2LoRA-Evo 두 모드를 지원한다.
- Code2LoRA-Evo는 GRU 은닉 상태로 커밋별 diff에 적응한다.
- 604개 Python 리포지토리 기반 RepoPeftBench 벤치마크를 새로 구축했다.
- 정적 트랙 66.2%, 진화 트랙 60.3% exact match로 리포지토리별 LoRA 상한에 근접한다.
- 326Robotics
HANDOFF: Humanoid Agentic Task-Space Whole-Body Control via Distilled Complementary Teachers
- 작업 계획과 전신 제어 사이의 간결하고 모듈적인 인터페이스를 제안한다.
- 전신 모션 트래킹, 이동, 낙하 복구 세 전문가를 mixture-of-experts로 증류한다.
- Unitree G1 하드웨어에서 SOTA 속도 추적과 넓은 조작 작업공간을 달성한다.
- VLM 기반 에이전트 플래너로 자연어 명령을 통한 제어가 가능하다.
- 태스크별 데이터나 컨트롤러 미세조정 없이 다양한 작업을 수행한다.
- 325Machine Learning
TailLoR: Protecting Principal Components in Parameter-Efficient Continual Learning
- 사전학습 가중치의 특이값 기저(U, V)를 고정 참조 프레임으로 활용해 저랭크 업데이트를 설계한다.
- 소프트 스펙트럴 페널티로 주성분 방향의 업데이트를 억제하여 태스크 간 간섭을 줄인다.
- 세밀한 적응은 유연성이 높은 긴 꼬리 스펙트럼 좌표로 라우팅된다.
- 스펙트럼 분해 기반 PEFT 방법들의 연속학습 성능을 개선한다.
- 324LLMs / NLP
Self-Evaluation Is Already There: Eliciting Latent Judge Calibration in Base LLMs with Minimal Data
- 이 논문은 이 능력이 어떤 표적 학습 이전에도 대체로 존재함을 발견한다. 퓨샷 프롬프트만으로 기본 모델은 이미 세 가지 벤치마크 전반에서 개방형 응답에 대한 외부 심판의 다속성 품질 점수를 우연 수준을 훨씬 웃돌게 예측한다.
- 강화 학습 베이스라인보다 약 31배 적은 160개의 고유 예제로부터, SEE는 답변 품질을 유지하면서 세 가지 벤치마크 전반에 걸쳐 홀드아웃 보정을 개선한다.
- 이 결과들은 심판 정렬 자기 평가를 획득이 아니라 도출의 문제로 재구성한다.
- 323Computer Vision
Geometry Gaussians: Decoupling Appearance and Geometry in Gaussian Splatting
- 새로운 시점 합성을 위한 3D Gaussian Splatting(3DGS)의 성공 이후, 많은 연구가 이를 기하 표면 표현에도 활용하는 방법을 탐구해 왔다.
- 이 연구는 완전한 정답 텍스처 및 기하 정보로 학습함으로써, 기본 형태의 3DGS가 본질적으로 텍스처와 기하 구조를 동시에 표현하기에 부적합함을 보인다.
- 저자들은 또한 각 스플랫에 단일 추가 기하 불투명도 파라미터를 적용하고, 선택적인 투명도 큐레이션 최적화 파이프라인을 함께 사용하는 간단한 해법을 제안한다.
- 322Machine Learning
Preserving Data Privacy in Learning Causal Structure with Fully Homomorphic Encryption
- 이 논문은 암호문에 대해 계산을 수행하여 전송 및 연산 중에 데이터를 암호화된 상태로 유지하는, 완전 동형 암호(FHE) 기반 방법을 제안한다.
- 또한 이 방법은 차등 프라이버시를 지원하도록 이식 가능함을 보임으로써 FHE를 넘어 손쉽게 확장될 수 있다.
- 실험 결과는 이 방법이 테스트한 데이터셋에서 평문 버전과 높은 일관성 및 대등한 인과 구조를 달성함을 보여준다.
- 321Machine Learning
Towards Efficient and Evidence-grounded Mobility Prediction with LLM-Driven Agent
- 지도 학습 시퀀스 모델은 높은 정확도를 달성하지만 작업별 학습이 필요하며 의사결정 수준의 투명성을 거의 제공하지 못한다.
- 이 논문은 다음 위치 예측을 적응적·증거 통제형 의사결정으로 정식화하는, 학습이 필요 없는 LLM 구동 에이전트 프레임워크를 제안한다.
- 세 가지 이동성 데이터셋 전반에서 AgentMob은 학습이 필요 없는 LLM 기반 방법 중 가장 강한 종합 성능을 달성하며, GPT-5.4는 BW에서 71.42% Acc@1, YJMob100K에서 33.14%, Shanghai ISP에서 33.50%에 도달한다.
- 320Machine Learning
Deep Embedded Multiplicative DMD for Algebra-Preserving Koopman Learning
- 심층 쿠프만 방법은 유연한 좌표를 학습하는 반면, 구조 보존 방법은 고정된 사전에 연산자 항등식을 강제한다.
- 그 결과는 학습된 잠재 셀 위의 유한 전이 맵이다.
- 이 결과들은 쿠프만 학습을 위한 실용적 규칙을 시사한다. 좌표는 학습하고, 대수는 제약하라.
- 319LLMs / NLP
Activation-Based Active Learning for In-Context Learning: Challenges and Insights
- 그러나 이 논문은 부정적인 결과를 발견한다. 거대 활성화 또는 처음 네 개의 모멘트라는 렌즈로 본 MLP 출력은 예제 품질이나 작업 성능과 상관관계가 없다.
- 구체적으로, 테스트한 모든 작업과 모델에서 절대 스피어만 상관계수는 최대 0.33에 불과하여, 이러한 활성화 기반 샘플링이 인컨텍스트 학습에 사용되어서는 안 됨을 보여준다.
- 저자들은 이것이 중첩 때문일 수 있다고 가정하는데, 이는 모델이 가진 차원 수보다 더 많은 특징을 표현하는 현상으로, Sparse Autoencoder(SAE) 같은 방법이 유망한 향후 방향일 수 있음을 시사한다.
- 318Machine Learning
Generating Financial Time Series by Matching Random Convolutional Features
- 이를 완화하기 위해, 최근 접근법들은 실제 시계열과 생성된 시계열의 비학습 특징 표현 간 불일치를 최소화하도록 생성기를 학습시킨다.
- 이 논문은 무작위 SOCK 특징을 매칭하여 학습된 생성기가 다양한 소표본 금융 데이터셋 전반에서 시그니처 및 확산 기반 베이스라인을 일관되게 능가함을 보인다.
- 저자들은 나아가 이표본 가설 검정과 시계열 분류 작업에서 SOCK의 표현력을 입증하는데, 이 작업들에서 SOCK는 기존 비지도 특징 맵과 대등하거나 이를 능가한다.
- 317Machine Learning
BBOmix: A Tabular Benchmark for Hyperparameter Optimization of Unsupervised Biological Representation Learning
- 심층 비지도 학습 구조, 특히 오토인코더(AE)는 이 분야에서 차원 축소와 표현 학습을 위해 점점 더 많이 사용되고 있다.
- 대규모 비지도 HPO 연구에 대한 접근을 보편화하기 위해, 이 논문은 실제 생물학 데이터에 대한 비지도 표현 학습을 위한 최초의 오픈소스 테이블형 벤치마크인 BBOmix를 소개한다.
- 이 벤치마크는 TCGA 및 SCHC 데이터셋의 네 가지 AE 구조와 일곱 가지 다중 오믹스 양식에 걸쳐 105,000건의 평가를 포함한다.
- 316Computer Vision
GeM-NR: Geometry-Aware Multi-View Editing for Nonrigid Scene Changes
- 이 논문은 기존 방법들이 어려워하는, 기하 구조와 외관에 큰 변화가 있는 편집을 이 방법이 처리할 수 있음을 입증한다.
- 저자들은 편집된 장면의 3D 표현 생성을 포함한 다양한 편집 작업에서 이 방법이 일관성을 개선함을 보이는 광범위한 평가를 수행한다.
- 정량적·정성적 결과 모두 편집 품질뿐 아니라 여러 시점에 걸친 기하적·광도적 일관성 측면에서 이 방법의 최첨단 성능을 나타낸다.
- 315Robotics
HORIZON: Recoverability-Governed Curriculum for Physical-Domain Scaling
- 온폴리시 학습에서 새로운 동역학은, 롤아웃을 회복 불가능한 실패로 무너뜨리는 대신 교정용 온폴리시 데이터를 생성할 만큼 현재 정책에 충분히 가깝게 유지되는 한에서만 유용하다.
- 체화된 일반화를 위한 물리적으로 까다로운 벤치마크로 4족 보행을 사용하여, 이 논문은 HORIZON을 도입한다. 이는 현재 정책의 회복 가능 경계 안에서만 물리 도메인을 확장하는 체크포인트 기반 프런티어 커리큘럼이다.
- 종합하면, 이 결과들은 물리 도메인 일반화를 체화된 제어를 위한 지속적 성장 문제로 규정하며, 회복 가능성을 온폴리시 확장의 조직 원리로 삼는다.
- 314Machine Learning
Failed Reasoning Traces Tell You What Is Fixable (But Not by Reading Them)
- 이 논문은 이것이 중요한 신호를 버리는 것이라고 주장한다. 어떤 실패는 운 나쁜 샘플링에서 비롯되어 더 많은 롤아웃이 도움이 되지만, 다른 실패는 구조적이어서 예산과 무관하게 재샘플링에 저항한다.
- 저자들은 실패한 추론 흔적이 회복 가능성 구조를 부호화한다고 제안한다. 즉, 주어진 실패를 어떤 테스트타임 개입이 구제할 수 있는지에 대한 추론 시점의 시그니처다.
- 사용 가능한 개입의 구조에서 도출된 세 가지 문제 수준의 궤적 특징은, 실패한 롤아웃의 텍스트가 아니라 그 분포적 시그니처로부터 이 구조를 복원한다.
- 313Computer Vision
An Open-Source Two-Stage Computer Vision Pipeline for Fine-Grained Vehicle Classification using Vision Transformers
- 미시간주 앤아버의 자전거 도로 구간에서 수집한 3,805건의 주석 달린 추월 이벤트(분포 내)로 평가한 결과, 이 파이프라인은 0.94의 정확도를 달성했으며 클래스별 F1 점수는 0.91(미니밴)부터 0.97(SUV)까지였다.
- 잘 대표된 네 범주 중 세 범주는 도메인 변화 하에서도 F1을 0.90 이상으로 유지했다.
- 추론 스크립트, 학습 코드, 평가 유틸리티, 모델 가중치를 포함한 전체 파이프라인은 도로변 영상 아카이브와 자전거 안전 연구 전반에서 재현성과 재사용을 지원하기 위해 오픈소스 소프트웨어로 공개된다.
- 312Neural Networks
Multi-Column RBF Neural Network Using Adaptive and Non-Adaptive Particle Swarm Optimization
- 최첨단 경사 기반 학습 방법인 오류 보정(ErrCor)은 정확도를 높이기 위해 최적의 은닉 유닛을 선택한다.
- ErrCor과 PSO 모두 향상된 결과와 경쟁력 있는 수렴을 입증한다.
- MCRN의 성공에 영감을 받아, 저자들은 PSO 성능을 개선하기 위한 두 가지 새로운 접근법을 제안한다. 즉, PSO를 적용한 다중 열 RBFN(MC-PSO)과 APSO를 적용한 다중 열 RBFN(MC-APSO)이다.
- 311Machine Learning
Reinforcement Learning from Rich Feedback with Distributional DAgger
- 이 논문은 역방향 KL이나 Jensen-Shannon에 기반한 기존 자기 증류 목적 함수를 사용하는 RL이 단조적 정책 개선을 보장하지 못함을 보인다. 즉, 전문가가 더 높은 보상을 갖더라도 그 업데이트가 더 나쁜 행동에 대한 확률을 높일 수 있다.
- 이와 대조적으로, 순방향 교차 엔트로피가 단조적 정책 개선을 허용하며 후회(regret)에 대한 보장을 누림을 보인다.
- 또한 이 목적 함수가 교사 가중 성공 가능도의 하한을 최적화하여 Pass@N을 개선함을 보인다.
- 310LLMs / NLP
Streaming Communication in Multi-Agent Reasoning
- 이 논문은 생성되는 즉시 각 추론 단계를 하위 에이전트로 스트리밍하여 인접 에이전트를 파이프라이닝함으로써 지연 시간을 줄이는 다중 에이전트 추론 시스템 StreamMA를 소개한다.
- 수학, 과학, 코드를 아우르는 8개 추론 벤치마크, 두 개의 최첨단 LLM(Claude Opus 4.6과 GPT-5.4), 세 가지 토폴로지(Chain, Tree, Graph)에 걸쳐 StreamMA는 두 베이스라인을 모두 능가한다.
- 이러한 기여를 넘어, 저자들은 '단계 수준 스케일링 법칙'을 발견했다. 즉, 에이전트당 단계 수를 늘리면 효과성과 효율성이 일관되게 향상되며, 이는 에이전트 수 스케일링과 직교하고 조합 가능한 새로운 스케일링 차원이다.
연구에서 제품 적용까지
운영 중인 기능, 시범 적용과 개발 중인 기술을 구분해 정리했습니다.
보유기술 보기