논문

AI이 논문은 과학 연구의 전체 생명 주기를 자동화하는 파이프라인인 'The AI Scientist'를 소개한다. 이 시스템은 아이디어 생성, 코드 작성, 실험 실행, 데이터 분석, 논문 작성 및 자체 리뷰까지 수행하며, 생성된 논문이 상위 기계 학습 학회의 워크숍 1차 리뷰를 통과했다.

AI이 논문은 LLM의 사전 학습, 후처리, 활용, 평가 네 가지 차원에서 최신 기술을 체계적으로 정리한다. 또한 이론적 기초, 효율적 확장, 정렬, 에이전트 능력 등 주요 연구 과제와 도전을 식별한다.

AIAxiom은 하우스홀더 반사 곱으로 유니터리 전이 행렬을 구성하여 정보 손실 없이 임의 길이의 시퀀스를 처리하는 RNN이다. 지연 복사 과제에서 LSTM 대비 13배 적은 파라미터로 76.5-99.9% 정확도를 달성했으며, GPT-2에 부착 시 7청크 이전 정보를 62.3% 정확도로 검증했다.

AI토큰 임베딩 레이어가 트랜스포머 어텐션의 기하학적 기반임을 네 단계로 증명한다. 푸리에 기반 학습 기법(PFFT, FGP)과 No-Q 어텐션을 통해 임베딩의 기하학적 권위를 보존하고 경량화를 달성한다.

AI고정된 LLM 모델의 능력을 세계 측면의 인터페이스, 검증, 복구, 감사 설계를 통해 향상시키는 컴파일러 이론인 인지 임피던스 매칭 이론(CIMT)을 제안한다. 인간 평가자나 LLM 판단자를 특권적 평가자로 보지 않고 오류 가능한 측정 채널로 모델링하여, 관찰 가능한 원자료만으로 시스템 신뢰성을 증명하는 프레임워크를 제공한다.

AICo-Scientist는 Gemini 기반의 다중 에이전트 AI 시스템으로, 과학자들의 연구 목표와 기존 증거를 바탕으로 새로운 연구 가설을 생성하고 검증하는 과정을 지원한다. 이 시스템은 비동기적 작업 실행 프레임워크와 토너먼트 진화 과정을 통해 가설의 품질을 지속적으로 향상시키며, 약물 재창출 등 바이오메디컬 분야에서 실용성을 입증했다.

AI보스턴 컨설팅 그룹과의 협업을 통해 758명의 지식 노동자를 대상으로 GPT-4 사용이 업무 성과에 미치는 영향을 실험했습니다. AI는 대부분의 작업에서 성과와 속도를 향상시켰지만, 특정 복잡한 관리 작업에서는 오히려 성과를 저하시키는 '톱니 모양 기술 경계' 현상을 발견했습니다.

AI본 논문은 AI 시스템이 스스로 평가 기준을 변경하는 상황에서도 진정한 개선과 착각을 구분할 수 있는 인터페이스 이론을 제시한다. 재생 가능한 관찰 인터페이스와 인증된 안정적 이득 개념을 통해 자기 개선 루프의 안정성을 보장하는 수학적 프레임워크를 개발했다.

AI이 연구는 두 가지 전문 임상 AI 도구(OpenEvidence, UpToDate Expert AI)와 세 가지 최첨단 범용 LLM(GPT-5.2, Gemini 3.1 Pro, Claude Opus 4.6)을 의료 지식, 임상 정렬도, 실제 임상 쿼리의 세 가지 벤치마크로 비교 평가했다. 그 결과, 모든 평가에서 범용 LLM이 전문 임상 AI 도구의 성능을 뛰어넘었으며, 임상 AI 도구는 자동화된 Google 검색 AI 개요와 유사한 수준을 보였다.

AI시간을 2D 나선형 좌표(반지름=추세, 각도=계절성)로 표현하는 Spiral Time 프레임워크를 제안한다. LSTM 및 Transformer 실험에서 기존 스칼라 시간 대비 MAPE를 83% 개선했으며, 모든 실험에서 단조로운 성능 향상을 보였다.

AI이 연구는 민감한 응용을 위해 대규모 언어 모델(LLM)을 적응시킬 때 적용되는 차별적 프라이버시(DP)의 이론적 보장이 실제로 얼마나 효과적인지를 분석합니다. 연구진은 적응 데이터의 분포를 시스템적으로 변형시키며 최신 공격 기법으로 프라이버시 위험을 벤치마크하고, 실질적 보호에 영향을 미치는 핵심 요인들을 규명합니다.

AI본 논문은 이미지 캡셔닝, 시각적 질문 답변 등 비전-언어 작업에 초점을 맞춘 멀티모달 대규모 언어 모델(MLLM)에 대한 포괄적인 서베이를 제공한다. MLLM의 아키텍처, 학습 파이프라인, 실제 응용을 검토하고, 정보 병목 현상이나 데이터 처리 한계 같은 근본적인 제약 조건을 조명한다.

AIQwen-Scope는 Qwen3/3.5 계열 모델에 대한 희소 오토인코더(SAE) 14개 그룹을 공개하고, 이를 추론 중 제어, 평가 분석, 데이터 중심 작업, 사후 훈련 최적화에 활용하는 방법을 제시한다. SAE가 단순한 분석 도구를 넘어 모델 개발의 실용적 인터페이스가 될 수 있음을 보여준다.

AI2020년부터 2025년까지 730만 편의 학술 논문을 분석하여 대규모 언어 모델(LLM)의 사용이 학계에 얼마나 광범위하게 퍼졌는지 추적했습니다. 연구 결과, 2025년에는 전체 논문의 약 57%가 LLM의 영향을 받은 것으로 나타났으며, 지역, 기관 순위, 학문 분야에 따라 도입률에 상당한 차이가 있음을 발견했습니다.

AI이 연구는 기존 스케줄 프리 학습을 대규모 언어 모델 학습에 맞게 확장하기 위한 수정 사항들을 제시한다. 제안된 ScheduleFree+ 방법은 기존 WSD 스케줄을 크게 능가하며, 특히 장기 학습에서 성능이 뛰어남을 보여준다.

AI이 연구는 대규모 언어 모델(LLM)의 프라이버시 감사 문제를 해결하기 위해 '자연 식별자(NID)'를 제안합니다. NID는 학습 데이터셋에 자연스럽게 존재하는 구조화된 무작위 문자열로, 기존 감사 방법의 재학습 필요성과 비공개 데이터셋 부재 문제를 극복할 수 있게 합니다.

AI본 연구는 순환 신경망(RNN)의 은닉 상태에 잠재 확률 변수를 통합한 변분 순환 신경망(VRNN)을 제안한다. 음성 및 필기 데이터 실험에서 VRNN이 기존 모델보다 구조화된 시퀀스 데이터의 변동성을 더 잘 모델링함을 입증했다.

AI밴딧 문제에서 학습자는 자신의 행동 손실 외에도 일부 다른 행동의 손실을 관측할 수 있는 부분 관측 모델을 다룬다. 관측 시스템을 사전에 알지 못해도 준최적 후회를 보장하는 첫 번째 알고리즘을 제안하고, 암묵적 탐색 전략이 기존 방법보다 계산 및 정보 이론적으로 더 효율적임을 보인다.

AI비지도 도메인 적응(Deep UDA)에서 모델 선택의 어려움을 해결하기 위해, 적응된 특징 표현을 검증 과정에 포함시켜 목표 도메인 위험의 불편 추정량을 제공하는 Deep Embedded Validation(DEV)을 제안한다. 제어 변량 기법을 통해 분산을 줄였으며, 이론적 및 실험적으로 효과를 입증했다.

AIChatlaw는 중국 법률 시스템에 특화된 다중 에이전트 법률 어시스턴트로, 역할 정렬 혼합 전문가(RA-MoE) 아키텍처를 사용한다. LawBench 벤치마크에서 GPT-4 대비 7.73% 향상된 정확도를 보이며 법률 전문가 시험에서 11점 높은 점수를 달성했다.

AI본 논문은 그래프 내 이질적 연결(heterophily) 현상에 대응하는 그래프 신경망(GNN) 모델들을 체계적으로 분류하고 분석한다. 동질적 연결을 가정하는 기존 GNN의 한계를 극복하기 위한 다양한 접근법을 정리하고, 이질적 그래프 학습의 미래 연구 방향을 제시한다.

AI이 연구는 미생물 배양 배지 최적화를 자동화하기 위해 지식 그래프, 대사 모델링, 최적 실험 설계를 통합한 에이전트 기반 AI 시스템 'MicroGrowAgents'를 제안한다. 28개의 전문 에이전트와 50개의 스킬을 활용하여 구조화된 생물학 지식을 질의하고, 문헌을 마이닝하며, 유전체 기반 설계와 통계적으로 최적화된 실험 설계를 생성하여 실험 부담을 줄이고 발견을 가속화한다.

AI이 연구는 우주가 피보나치 수열과 동일한 재귀 구조를 통해 조직적 제약이 황금비로 수렴하는 필연적 시스템으로 작동한다고 제안한다. 이 이론은 우주 상수를 미세 조정 없이 설명하고, 핵 성상학 및 고해상도 은하 관측 등 다섯 가지 독립적인 경험적 지지를 제시한다.

AI멀티모달 거대 언어 모델(MLLM)이 이미지에 포함된 민감 정보를 유출할 위험이 있음을 밝히고, 이를 평가하기 위한 종합 데이터셋 MM-Privacy를 제시한다. 실험 결과 여러 MLLM이 다양한 작업에서 개인정보를 노출하며, 작업 불일치가 프라이버시 위험을 증가시킴을 확인했다.

AI이 연구는 앨리스 판결 이후 특허 보호가 약화된 기업들의 혁신, 경쟁, 인수, 소송 및 고용 계약에 미치는 영향을 분석합니다. 대규모 언어 모델(LLM)을 활용하여 기업의 특허 포트폴리오가 앨리스 판결에 잠재적으로 노출된 정도를 식별하고, 그에 따른 차별적인 영향을 조사합니다.

AI이 서베이 연구는 엣지 하드웨어에서의 대규모 언어 모델 배포 시 직면하는 압축, 컴파일러 동작, 시스템 수준 트레이드오프 등 다층적 문제를 다룬다. 양자화, 가지치기, 증류 등 압축 전략을 배포 중심으로 분류하고, 실제 하드웨어 툴체인과의 상호작용 및 기존 벤치마크의 한계를 체계적으로 정리한다.

AI대규모 전기차와 재생에너지가 배전망에 통합되면서 탄소 배출 예측의 정확도가 중요한 과제로 떠올랐다. 본 연구는 기존 적응형 그래프와 LLM의 허위 상관관계 문제를 해결하기 위해 메타 인과 그래프 사전과 정렬 기반의 CarbonGPT를 제안한다.

AI이 설문 조사는 대규모 언어 모델(LLM)의 환각, 지식 부족 문제를 해결하기 위해 외부 지식을 통합하는 방법을 체계적으로 분석한다. 파라메트릭 및 비파라메트릭 접근법을 통해 도메인 특화 작업에서 추론 능력과 사실 정확성을 향상시키는 방안을 제시한다.

AI본 연구는 실제 임상 기록 텍스트를 이해하는 대규모 언어 모델의 성능을 평가하기 위한 BRIDGE 벤치마크를 제안한다. 이 벤치마크는 질병 진단, 치료 계획, 환자 상태 요약 등 다양한 임상 태스크를 포함한다.

AI대규모 언어 모델이 제품 추천을 매개함에 따라, 특정 카테고리에서 어떤 브랜드가 추천되는지와 그 점유율의 집중도를 분석하는 연구가 수행되었다. 연구진은 3개 모델, 5개 산업, 250개 카테고리 쿼리를 대상으로 '카테고리 점유 지수(COI)', '경쟁 진공 지수(CVI)', '대체 점수(DS)' 등 세 가지 탐색적 지표를 제안하고 실증 분석을 통해 강한 승자독식 내러티브에 반하는 결과를 도출했다.