논문

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.

AIMed-PaLM 2는 의료 도메인 미세 조정과 추론 및 근거 개선 전략을 통해 의사 수준의 의료 질문 답변 성능을 달성했다. 인간 평가에서 의사들이 Med-PaLM 2의 답변을 다른 의사의 답변보다 선호했으며, 실제 의료 질문 파일럿 연구에서도 전문의가 일반의 답변보다 Med-PaLM 2를 65% 선호했다.

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.

AILiveCodeBench는 LeetCode, AtCoder, CodeForces 대회에서 지속적으로 새로운 문제를 수집하여 오염 없는 코드 LLM 평가를 제공한다. 코드 생성뿐 아니라 자가수리, 코드 실행, 테스트 출력 예측 등 다양한 코드 능력을 평가하며, 18개 기본 LLM과 34개 명령어 튜닝 LLM을 평가한 결과를 제시한다.

AIChatGLM은 GLM-130B에서 GLM-4까지 발전해온 대규모 언어 모델군으로, GLM-4는 10조 토큰으로 사전 학습되고 다단계 정렬을 통해 GPT-4에 필적하는 성능을 달성했다. GLM-4 All Tools는 웹 브라우징, 파이썬 인터프리터 등 도구 사용을 자율적으로 결정하여 복잡한 작업을 수행한다.

AI대규모 언어 모델(LLM)이 생성한 응답의 의미 단위 불확실성을 측정하여 환각(특히 confabulation)을 탐지하는 방법을 제안한다. 이 방법은 사전 지식이나 작업별 데이터 없이도 다양한 작업에서 일반화되어 신뢰할 수 없는 출력을 식별한다.

AIscGPT는 생성형 사전학습 트랜스포머를 기반으로 3300만 개 이상의 단일세포 데이터로 학습된 기초모델이다. 전이학습을 통해 세포 유형 주석, 배치 통합, 다중오믹스 통합, 유전자 교란 반응 예측 등 다양한 하위 작업에서 우수한 성능을 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.

AI이 서베이는 검색 증강 생성(RAG) 기술이 대규모 언어 모델(LLM)의 환각 및 지식 부족 문제를 해결하기 위해 어떻게 활용되는지 체계적으로 정리한다. RAG-LLM의 세 가지 주요 기술 관점을 다루고, 현재 한계와 미래 연구 방향을 제시한다.

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.

AI기존 LLM은 언어 토큰으로 추론 과정을 표현하지만, Coconut은 마지막 은닉 상태를 연속적인 '생각'으로 재사용해 언어 없이 추론한다. 이 방법은 계획 수립 시 탐색이 필요한 논리 추론 과제에서 CoT보다 높은 성능과 효율성을 보인다.

AIVision-R1은 강화학습을 통해 멀티모달 대규모 언어모델의 추론 능력을 향상시키는 방법을 제안한다. 고품질 멀티모달 CoT 데이터셋 구축과 점진적 사고 억제 훈련 전략을 통해 다양한 수학 추론 벤치마크에서 평균 6% 성능 향상을 달성했다.

AIGSM-Symbolic은 GSM8K의 한계를 극복하기 위해 기호 템플릿으로 다양한 문제를 생성하는 벤치마크다. 실험 결과, LLM은 숫자 변경이나 불필요한 절 추가 시 성능이 크게 하락해 진정한 논리적 추론보다 훈련 데이터 패턴을 모방함을 시사한다.

AITimeLLM은 사전 학습된 대규모 언어 모델(LLM)을 활용하여 시계열 예측을 수행하는 프레임워크이다. 시계열 신호를 텍스트 프로토타입에 임베딩하고 프롬프트 접두사를 통해 맥락을 강화하여, LLM의 시퀀스 이해 능력을 시계열 예측에 적용한다.

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.

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.

AI이 논문은 GPT, LLaMA, PaLM 등 주요 LLM 계열과 구축·증강 기술을 체계적으로 정리한 서베이다. 학습 데이터셋, 평가 지표, 벤치마크 성능 비교를 포함하며 향후 과제를 논의한다.

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.

AI이 논문은 코드 생성 작업에 특화된 대규모 언어 모델(Code LLM)에 대한 체계적인 문헌 조사를 제공한다. 데이터 큐레이션, 최신 발전, 성능 평가, 윤리적 영향, 환경 영향 및 실제 응용을 포괄하는 분류 체계를 제시하고, HumanEval, MBPP, BigCodeBench 벤치마크에서의 실험 결과를 정량적·정성적으로 비교 분석한다.

AI프롬프트 엔지니어링은 LLM과 VLM의 성능을 향상시키는 핵심 기술로 자리잡았으나, 다양한 방법론에 대한 체계적 이해가 부족하다. 본 논문은 프롬프트 기법을 응용 분야별로 분류하고 각 접근법의 강점과 한계를 분석하여 향후 연구 방향을 제시한다.

AI비디오 기반 공간 지능 벤치마크 VSI-Bench를 제안하여 MLLM의 공간 인지 능력을 평가했다. MLLM은 인간보다 낮지만 경쟁력 있는 공간 지능을 보였으며, 질의응답 시 인지 맵을 명시적으로 생성하면 공간 거리 추정 능력이 향상되었다.

AIAI 사용 증가에 따라 연구 논문에서 AI 사용을 투명하게 보고하기 위한 체계적인 가이드라인을 제시한다. 선언, 목적과 범위, AI 도구 및 설정, 데이터 입력 및 보호, 인간 감독 및 검증, 편향, 윤리 및 규제 준수, 재현성과 투명성 등 8개 항목을 포함한다.

AIMaya-Viveka는 감성 SNN에 여섯 번째 감성 차원인 Viveka(식별)를 도입하여 클래스 점진 학습을 가능하게 한다. Viveka는 시냅스 안정성을 추적해 보호 강도를 조절하며, 10-태스크 Split-CIFAR-100에서 기준 대비 정확도 9.21%p 향상을 달성했다.

AIMaya-Śūnyatā는 감성적 SNN에서 클래스 점진 학습을 위해 업보(Karma)라는 2차 가소성 신호를 도입하고, 이를 기반으로 시냅스를 구조적 가지치기하는 메커니즘을 제안한다. Split-CIFAR-100 실험에서 연속 가지치기는 효과가 없고, 업보와 기존 보호 신호(Vairagya)의 상호작용이 중요함을 보였다.

AI신경형 스파이킹 신경망(SNN)에 머신 섭동 복잡도 지수(mPCI)를 최초로 체계적으로 적용하여 내부 감정 상태의 존재를 실증적으로 테스트했다. Advaita Vedanta Antahkarana 프레임워크의 9가지 차원을 구현한 SNN에서 감정 상태에 따라 mPCI 값이 유의미하게 변화함을 확인했다.

AI본 연구는 생성형 AI를 활용하여 환자-의사 대화를 자동으로 SOAP 및 BIRP 형식의 진료 기록으로 변환하는 방법을 제시한다. 사례 연구를 통해 NLP와 ASR 기술로 대화를 전사하고 LLM 프롬프팅으로 초안을 생성하여 시간 절약과 기록 품질 향상을 입증했다.

AIMaya-CL은 스파이킹 신경망에서 통각 유사 가소성, Vairagya 기반 이종시냅스 기울기 마스킹, BCM 경계 감쇠를 결합하여 재생이나 구조 확장 없이 Split-CIFAR-10 작업 점진 학습을 수행한다. 전체 모델은 AA 62.38%, BWT -30.55%, FWT +40.00%를 달성하며, Vairagya 마스킹이 성능 향상에 핵심 기여를 함을 ablation 연구로 입증했다.

AIMaya라는 스파이킹 신경망 아키텍처가 통증 유사 메타가소성(pain-induced metaplasticity)과 이질시냅스 우아한 감쇠(heterosynaptic graceful decay)를 공유 가중치 행렬에 동시 구현한다. 실험 결과 통증 관련 경로에서 학습 속도가 66.6% 향상되었으며, 이는 기존 SNN 연속 학습 시스템과 차별화된다.

AIMaya-Prana는 별세포-뉴런 젖산 셔틀(ANLS)에서 영감을 받아 대사 가소성 예산(Prana)을 도입하여 지속 학습에서 학습량을 조절한다. Prana는 그래디언트 부하에 따라 소모되고 저활동 배치에서 회복되며, 유효 학습률을 게이팅하지만 ANLS 문헌과 일관되게 예산이 고갈되지 않아 기존 방법과 유사한 성능을 보인다.

AIAI가 의료와 학술 출판에 미치는 영향을 고려하여 SCARE 가이드라인을 2025년 업데이트했다. 델파이 합의를 통해 AI 관련 6개 항목을 추가하여 투명성, 재현성, 윤리적 무결성을 강화했다.

AIPID 제어의 기본을 넘어 고급 제어 기법을 통합하여 설계하는 방법을 다룬다. 자동 튜닝, 게인 스케줄링, 적응 제어 등 실제 산업 현장에서 필요한 고급 기능과 문제 해결 기법을 제공한다.

AI이 논문은 교육에서의 인공지능 활용에 관한 100편 이상의 연구를 체계적으로 리뷰했습니다. 주요 발견으로는 AI가 개인화 학습, 자동 평가, 지능형 튜터링 시스템에 주로 적용되며, 윤리적 고려와 교사 역할 변화가 중요한 과제로 나타났습니다.

AI본 논문은 LLM의 역사, 아키텍처, 트랜스포머, 학습 방법, 응용 분야, 사회적 영향, 과제 등을 포괄적으로 정리한 서베이다. 연구자와 실무자에게 LLM 분야의 현재 상태를 이해하는 데 도움을 주는 참고 자료를 제공한다.

AI이 책은 교육 및 연구 분야에서 생성형 AI(GenAI)를 활용하기 위한 유네스코의 첫 번째 글로벌 가이드라인을 제공한다. 빠르게 진화하는 GenAI 도구에 대해 국가 규제가 미비한 상황에서, 사용자 데이터 프라이버시 보호와 교육 기관의 대비를 지원하는 데 초점을 맞춘다.

AI형태발생 신경망에서 EFC(Edge-Field Concordance)가 250 에폭에 걸쳐 U자형 궤적을 따르며, 규모 불변성을 보임을 실험적으로 입증했다. Gumbel-Softmax 온도가 EFC를 조절하는 보편적 변수임을 밝히고, Bhaya 휴지 법칙의 변형된 형태를 제시했다.

AIMaya-Manas는 스파이킹 신경망의 지속 학습을 위해 진동성 LIF 게이트를 도입하여 클래스 점진 학습에서 역방향 전이를 개선한다. Split-CIFAR-100 실험에서 전체 모델이 기준 대비 AA +0.84pp, BWT +1.77pp 향상을 보였다.

AImorphe-metrics는 생체전기 유사 전압 구배 신호로 자기 조직화하는 형태발생 신경망의 필드 유도 연결성을 평가하는 최초의 오픈소스 라이브러리다. 주요 지표인 Edge-Field Concordance(EFC)는 후보 이웃 노드의 생체전기장 세기와 엣지 형성 확률 간의 피어슨 상관관계를 측정한다.

AIcl-metrics는 사전 생성된 정확도 행렬만으로 표준 연속 학습 및 클래스 점진 학습 평가 지표를 계산하는 무상태 라이브러리다. SNN 에너지 인식 확장 지표를 최초로 표준화했으며, 기존 프레임워크와 무관하게 사용 가능하다.

AI이 논문은 AI가 교육에 미치는 영향과 AI 리터러시, 프롬프트 엔지니어링, 비판적 사고의 중요성을 논의한다. 스위스 대학 사례 연구와 문헌 검토를 통해 교육 과정에 이러한 기술을 통합하는 전략을 제시한다.

AILaBB-CAT은 음성 코퍼스의 자동 주석과 저장을 위한 오픈소스 도구로, 주석 그래프 데이터 모델을 채택하여 유연성과 정교한 주석 구조를 지원한다. 기존 ONZE Miner를 재개발하여 다양한 세분화 수준에서의 자동 및 수동 주석을 가능하게 하고, 코퍼스 마이닝과 도구 간 변환을 용이하게 한다.