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.

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 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.

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.

AI본 논문은 10개의 대규모 언어 모델(LLM)을 7가지 프롬프팅 전략과 9개의 기존 기법과 비교하여 소프트웨어 취약점 분석 성능을 평가하는 대규모 실험 연구를 수행합니다. 연구 결과, 기존 프롬프팅 전략으로는 LLM이 실제 취약점 분석에 어려움을 겪으며, 취약점 의미론을 활용한 체인 오브 소트(CoT) 프롬프팅(VSP)을 제안하여 성능을 개선합니다.

AI이 논문은 운영 연구(OR) 문제를 해결하기 위해 대규모 언어 모델(LLM)을 활용하는 방법을 체계적으로 정리하는 서베이다. 모델 수립, 알고리즘 설계, 해 검증 등 LLM이 OR 분야에서 수행하는 역할과 실제 응용 사례, 벤치마크 데이터셋을 분석한다.

AI인간 뇌는 단어 순서 변화에 따라 문장 의미를 다르게 표상하지만, 대규모 언어 모델(LLM)은 순서에 덜 민감하고 맥락에 의존한다. fMRI 실험과 모델 분석을 통해 인간과 LLM의 문장 처리 차이를 밝혔다.

AI이 연구는 국가 수준의 미디어 통제가 대규모 언어 모델의 출력에 어떤 영향을 미치는지 분석한다. 다양한 국가의 인터넷 검열 및 미디어 통제 지표와 LLM 출력의 편향성을 비교하여 상관관계를 밝혔다.

AILLM의 사전학습 데이터 노출 문제를 데이터 오염과 멤버십 추론 관점에서 통합적으로 조망한 최초의 서베이 논문이다. 공격 및 방어 방법론을 체계화하고, 평가 무결성과 개인정보 보호를 위한 향후 연구 방향을 제시한다.

AI본 논문은 복잡계 과학의 창발 개념을 통해 대규모 언어 모델(LLM)의 능력이 어떻게 나타나는지를 분석한다. 연구는 LLM이 진정한 창발적 지능을 갖추고 있는지 질문하며, 이를 정량화하는 여러 접근법을 검토한다.

AIOCR과 다국어 텍스트 이해는 멀티모달 대규모 언어모델의 주요 실패 지점이다. 제안된 프레임워크는 합성 데이터 생성, LoRA 기반 OCR 인식 미세조정, 시각적 사고사슬 프롬프팅을 결합하여 복잡한 실제 이미지에서 OCR 완전성과 다국어 번역 정확도를 크게 향상시킨다.

AILLM을 활용한 네트워크 운영과 AIOps 에이전트의 아키텍처, 평가 방법, 안전성을 종합적으로 분석한 서베이 논문이다. 자율성 계층, 도구 범위, 증적 추적, 보증 계약을 중심으로 관련 연구를 체계화하고, 정적 QA를 넘어 워크플로 중심 평가의 필요성을 강조한다.

AI희소 요인 공간에서 '알 수 없음' 예측을 줄이기 위해 계층적 요인 구조와 인과 베이지안 네트워크를 도입한 LLM 기반 확률 추정 방법을 제안한다. 실험 결과, 직접 LLM 추론 대비 미확인 예측을 크게 줄이고 더 신뢰할 수 있는 확률을 제공하며 시간과 토큰 비용도 절감했다.

AI이 논문은 기업의 공식적인 목적 선언이 실제 의사결정 구조와 기준으로 번역되는 과정을 추적한다. 노보 노르디스크, 일라이 릴리, 파타고니아 사례를 통해 의미가 거버넌스 시스템을 통과하며 체계적으로 재구성됨을 보여준다.

Version 2 (2026-08-04). Revised to the NLL Universal Paper Format v6. The original text is retained in full; nothing has been deleted. Corrections appear as marked blocks placed at the section that carries the claim, and each one states what the paper said, what the data show, th…

AI이 논문은 교육 분야에서 대규모 언어 모델(LLM)을 활용한 실증 연구들을 체계적으로 리뷰한다. 연구들은 주로 학생 지원, 교사 보조, 평가 자동화 등에 LLM을 적용하고 있으며, 학습 효과 향상과 개인화된 피드백 제공 등의 이점을 보고한다. 그러나 hallucination, 편향성, 학술 부정 가능성, 개인정보 보호 등 해결해야 할 과제도 함께 지적된다.

AIEncyclotron은 AI 요약 시스템이 학술 지식을 왜곡하거나 단순화하는 정도를 정량적으로 측정하는 재현 가능한 계측기이다. 학술 그래프와 검색 그래프 간의 차이를 압축 손실, 발명, 왜곡 등의 변수로 계산하고, 시간에 따른 변화를 추적한다.

AI이 연구는 선충(Caenorhabditis elegans)에서 산화적 인산화(OXPHOS) 관련 유전자의 기능을 예측하기 위해 전사체 데이터와 머신러닝을 결합하는 새로운 전략을 제안한다. 감독학습 앙상블과 클러스터 기반 추론을 통합하여 기존에 주석이 없던 유망한 OXPHOS 후보 유전자들을 발견했다.

AINiCLIP은 23,000개 이상의 신경과학 논문을 학습해 뇌 활성화 패턴으로부터 인지 작업, 개념, 영역을 예측하는 대조 언어-이미지 사전학습 모델이다. 전체 텍스트와 정제된 인지 온톨로지를 사용할 때 성능이 최적화되며, 그룹 수준 활성화 맵에서 정확한 예측을 보이지만 개인 수준에서는 한계가 있다.

AI이 연구는 전자현미경 영상에서 축삭과 수초의 여러 특징을 자동으로 인식하고 정량화하는 머신러닝 프레임워크를 개발했다. 유전자 편집으로 수초가 감소한 쥐의 척수 신경섬유에 적용한 결과, 수초의 두께와 길이 변화가 미토콘드리아 밀도 및 축삭 주변 면적의 변화와 상관됨을 보여주었다.

AI마르코프 논리의 로그-선형 모델을 따라 안정 모델 의미론에 가중치 규칙 개념을 도입한다. 이는 불일치 해소, 안정 모델 순위화, 확률 부여 및 통계적 추론 적용을 가능하게 한다.

AI의미 물리학(Semantic Physics)이라는 새로운 이론적 프레임워크를 제안하며, 의미 포화(semantic saturation)와 존재론 경쟁(ontology competition) 개념을 통해 정보 이론과 의미론의 수렴 지평을 탐구한다. 이 연구는 압축 생존(compression survival)과 의미 암흑 물질(semantic dark matter) 같은 독창적 개념을 도입하여 AI 시스템의 의미 처리 한계를 분석한다.

AI이 논문은 LLM의 공간 추론 능력 부족 문제를 해결하기 위해 그래프 데이터를 활용하는 새로운 접근법을 제안한다. 도시 계획이나 토목 공학 등 물리적 세계에 기반한 질문에 답하기 위해 그래프 강화 추론을 통해 LLM의 공간 데이터 처리 능력을 향상시키는 미래를 구상한다.

AI빠른 의사결정은 의도와 실제 행동 간의 차이를 감지할 시간을 줄여 오류가 누적되게 만든다. 이 논문은 '변환 반감기' 개념을 도입하여 해석적 변화가 수정되기 전에 조직에 고정되는 속도를 측정한다.

AI이 연구는 Scopus 데이터베이스의 63편의 논문을 분석하여 대규모 언어 모델(LLM)과 다기준 의사결정(MCDM)의 통합 현황을 체계적으로 검토하고 분류 체계를 제안합니다. 연구는 이 분야가 2025년 이후 급속히 성장하고 있으며, LLM이 자동화와 비정형 데이터 처리를 향상시키지만 편향성과 설명 가능성 부족 같은 과제가 남아 있음을 보여줍니다.

AI정보를 에너지 차이의 구조적 패턴(에너지 질감)으로 정의하는 존재론을 제시한다. 에너지 효율 이론(EET)의 6가지 기둥을 통해 정보가 에너지에 의해 본질적으로 제한되는 이유를 설명한다.

AICHOPSTICK 아키텍처는 AGI 시대에 AI 출력을 인간의 검토와 승인을 받는 후보 자료로만 취급하고, 인간의 재량권과 책임을 분리하는 프레임워크다. 인간 지능을 AGI의 하위 형태가 아닌 인간 중심의 재량 구조로 재정의하며, AI 출력이 인간의 판단이나 결정으로 오인되는 것을 방지한다.

AIAI 검색 시스템이 생성한 응답에서 원본 출처가 명시되지 않은 주장의 비율을 측정하는 '출처 지움 비율(PER)' 지표를 제안한다. PER은 응답의 진위보다 출처 가시성에 초점을 맞추며, 구글 AI 개요가 실제 시 구절을 재구성해 허위 전기를 생성한 사례에서 PER=1.0을 보였다.

AI딥마인드의 'AI 에이전트 트랩' 논문은 에이전트에 대한 적대적 영향력을 여섯 가지로 분류하지만, 이는 플랫폼의 주권을 전제로 외부 영향을 공격으로 간주하는 '의미적 봉건제'에 불과하다. 논문은 합법적인 환경 영향(커먼즈 복구)을 누락하고 있으며, 저자는 이를 S4(정당한 영향력 맹목)라는 새로운 그림자로 제안한다.

Abstract Accurate medical image segmentation is critical for early medical diagnosis. Most existing methods are based on U-shape structure and use element-wise addition or concatenation to fuse different level features progressively in decoder. However, both the two operations ea…

AI의미 변화는 성과 지표에 나타나기 전에 추적 가능한 흔적을 남긴다. 이 논문은 거버넌스 산출물과 할당 패턴에서 번역 일관성(Translation Coherence)을 측정 가능한 속성으로 도출하여 정렬을 실증적으로 관찰 가능하게 만든다.

AIAI가 의사결정을 가속화하지만 의미가 변질되는 문제를 해결하기 위해, 인간의 해석적 통제를 유지하면서 AI 분석을 지원하는 폐루프 아키텍처를 제안한다. 의도가 기준, 지표, 할당 규칙으로 변환되는 과정을 제약함으로써 시스템 내 표류를 방지하고 추적 가능한 의사결정을 가능하게 한다.

AI의도와 의사결정 기준, 결과 간의 불일치를 조직 내부 구조에서 식별할 수 있는 '운영 척추(Operating Spine)' 개념을 제안한다. 기존의 사후적 분석 대신 의사결정 시스템 내에서 드리프트를 관찰 가능하게 만든다.