본문으로 건너뛰기
AI NEWS JOURNAL
AI, IN PERSPECTIVE

AI 뉴스 검색

제목, 요약, 본문을 검색해 흩어진 정보를 연결하세요.

발행 시간순

DSFlow: 통계적 진단 가드레일이 적용된 신경-기호 데이터 워크플로 에이전트

arXiv:2611.25111v1 발표 유형: 신규 초록: 데이터 과학 워크플로우는 종종 상당한 기술 지식을 전제로 하는 도구를 필요로 합니다. 대형 언어 모델(LLM)은 이러한 장벽을 완화하지만, 유연한 범용 에이전트와 통계적으로 제어된 파이프라인 사이에는 여전히 간극이 남아 있습니다. 우리는 DSFlow를 소개합니다. 이는 LangGraph 기반의 신경-기호적 데이터 에이전트 플랫폼으로, 재사용 가능한 LLM 선택 기술과 결정론적 진단 가드레일을 결합합니다. 기술은 확장 가능한 작업 지식을 제공합니다. 기호적 검증은 제안된 방법을 수용하거나, 명확화 또는 재계획을 요청하거나, 부적합한 방법을 무시하거나, 안전한 대체 방안을 제공할 수 있습니다. 회귀 및 클러스터링 사례 연구는 DSFlow가 어떻게 진단 증거를 활용하여 방법 선택을 수정하고 해당 결정을 감사 가능한 보고서에 문서화하는지 보여줍니다.

Copilot에 Supabase, Box, Calendly 등을 연결하세요

이제 공개 프리뷰에서 사용할 수 있는 GitHub 인증 MCP 서버 또는 커넥터를 통해 Copilot에 여덟 가지 서비스를 더 연결할 수 있습니다. 연결할 수 있는 새로운 서비스는 다음과 같습니다: Box: 콘텐츠를 검색하고 관리하며… 글의 원문: Supabase, Box, Calendly 등과 Copilot을 연결하세요는 The GitHub Blog에 처음 게재되었습니다.

팀에 맞게 GitHub Copilot을 사용자 지정하세요

이제 팀에서 의존하는 GitHub Copilot 플러그인을 공유할 수 있으며, 모든 구성원에게 동일한 설정을 반복하도록 요청하지 않아도 됩니다. 팀 맞춤 설정은 조직 팀을 대상으로 일반 제공됩니다. 팀… 원문: Customize GitHub Copilot for your team는 The GitHub Blog에 처음 게시되었습니다.

GRAFT: 에이전트 설계를 위한 실행 기반 유전자 재조합

arXiv:2611.23509v1 발표 유형: 신규 초록: 자동 에이전트 설계는 언어 모델 크로스오버를 사용하여 작업 분해, 모델 조정 및 검증을 위한 유망한 메커니즘을 재조합하는 진화적 방법으로 LLM 기반 에이전트 성능을 향상시키는 실행 가능한 아키텍처를 탐색합니다. 그러나 이러한 탐색은 일반적으로 집계 적합도만으로 안내되며, 이는 각 점수 뒤에 숨겨진 인스턴스 수준의 성공과 실패를 가려냅니다. 우리는 에이전트 설계를 위한 실행 안내형 유전 재조합(GRAFT)을 제안하며, 여기서 집계 적합도는 선택과 생존에 사용되고 부모별 실행 증거는 통합된 변이와 함께 의미적 크로스오버를 안내하는 데 활용됩니다. 이 시스템의 피드백 하네스는 적합도 평가에서 얻은 성공 및 실패 실행의 제한된 샘플을 재사용하며, 참조 답안을 보류하고 추가적인 작업 실행을 요구하지 않습니다. 우리는 개방형 가중치 최적화 및 실행기 모델을 사용하여 여섯 가지 추론 및 프로그래밍 설정에서 GRAFT를 평가합니다. 그 결과 평균 테스트 정확도 82.0%를 달성하여 가장 강력한 기준선을 9.8%포인트 상회합니다. 통제된 제거 실험에 따르면, 초기화, 탐색 규칙, 복구 정책 및 평가 예산을 고정한 상태에서 실행 증거를 추가하면 테스트 정확도가 향상됩니다. 우리의 결과는 진화적 에이전트 설계에 있어 부모별 실행 증거의 가치를 뒷받침합니다.

Flux: LLM 학습을 위한 광 회로 스위치의 최적 스케줄링

arXiv:2609.25949v2 발표 유형: replace-cross 초록: 광회로 스위칭(OCS)은 LLM 학습에 있어 높은 대역폭 밀도와 에너지 효율을 제공하지만, 무시할 수 없는 재구성 지연이 발생합니다. 기존 연구에서는 일반적으로 컴퓨트와 독립적으로 광회로 스위치를 스케줄링하며, 어떤 회로를 언제 할당할지 결정하기 위해 집계된 트래픽 수요를 사용합니다. 우리는 이러한 분리가 근본적인 비효율성을 야기한다고 주장합니다. 컴퓨트 타임라인을 고려하지 않은 재구성이 통신을 지연시켜 회로 활용도를 낮추고 버퍼 요구량을 크게 증가시킬 수 있습니다. 본 논문에서는 전체 워크로드의 구조를 기반으로 광회로 스위치를 최적으로 스케줄링하는 스케줄러인 Flux를 제안합니다. Flux는 회로를 재사용하고 컴퓨트 및 통신 뒤에서 재구성 지연을 분산함으로써 다양한 스위칭 속도 범위에서도 효과적으로 작동합니다. 우리는 Flux가 전통적인 주기적 스케줄러에 비해 학습 반복 시간을 최대 $10\times$ 단축하고 NIC 버퍼의 최대 요구량을 세 자릿수 이상 감소시킨다는 것을 보여줍니다.

WM-Quant: JEPA 스타일 월드 모델을 위한 롤아웃 인식 사후 훈련 양자화

arXiv:2611.21882v1 발표 유형: 신규 초록: 우리는 JEPA 스타일 월드 모델을 위해 특별히 설계된, 현재까지 알려진 바에 따르면 최초의 사후 훈련 양자화(PTQ) 프레임워크인 WM-Quant를 제시합니다. 월드 모델은 일반적으로 매개변수 수가 비교적 적지만, 행동 계획 알고리즘은 종종 수천 번의 추론을 필요로 하며 이는 곧 계산 비용이 크게 증가할 수 있습니다. PTQ는 이러한 비용을 줄이는 자연스러운 방법입니다. 그러나 우리는 자동회귀 모델 예측 제어(MPC) 롤아웃을 사용하는 월드 모델에서 양자화 오차가 각 예측 단계마다 누적되어 양자화된 모델의 행동 순위가 거의 무작위가 되는 결과를 초래할 수 있음을 보여줍니다. WM-Quant는 기존 PTQ 방법을 기반으로 하는 세 가지 구성 요소로 이를 해결합니다: 조기 인코더 정밀도, 제어 경로 보존, 그리고 롤아웃 인식 스케일링입니다. 조기 인코더 정밀도는 정확한 잠재 상태 및 목표 정보를 보호하여 장기적인 오차 전파를 완화합니다. 제어 경로 보존은 월드 모델 예측기가 세부적인 행동을 구분할 수 있도록 하여 행동 순위와 실행을 크게 개선합니다. 롤아웃 인식 스케일링은 단일 예측이 아닌 전체 롤아웃을 고려하여 인코더와 단계별 예측기 활성화 범위를 공동으로 보정함으로써 누적 롤아웃 오차를 줄입니다. 여러 월드 모델, 환경 및 PTQ 방법에 걸쳐 WM-Quant는 저비트 폭에서도 계획 성공률을 크게 향상시키며, W4A4에서는 완전 정밀도 성능에 근접합니다.

배치 평가를 통한 자동 알고리즘 설계의 속도 향상: 개미집단 최적화를 위한 유전 프로그래밍 사례 연구

arXiv:2611.19751v1 발표 유형: 교차 요약: 평가는 자동 알고리즘 설계의 병목이 되고 있으며, 특히 개미집단최적화(ACO)와 같은 반복 알고리즘의 경우 여러 인스턴스에서 완전히 실행되어야 합니다. 유전프로그래밍으로 설계된 전이 규칙은 각 개미의 구성 상태를 읽으며 매 단계마다 평가되어야 합니다. 그러나 기존 ACO용 GPU 방법들은 고정된 규칙을 사전 계산하고 한 번의 실행에 속한 개미들을 병렬화합니다. 이 문제를 해결하기 위해 우리는 GPU 및 CPU 백엔드를 갖춘 배치 평가 프레임워크인 BlockEval을 제안합니다. GPU 백엔드는 여러 실행을 동시에 처리하며, 각 실행을 하나의 스레드 블록으로 통째로 수행하고 세대별로 하나의 모듈을 컴파일합니다. 개미가 모든 후보 도시를 방문하면, 워프 협력형 대체 경로는 가능한 경우 해당 개미의 워프만 정지시킵니다. 50~1000개의 도시를 가진 여행판매원 문제에서 GPU 백엔드는 32코어 기준 CPU 백엔드보다 4.1~16.5배 더 빠르며, EvoGP+TensorACO-CL보다 11.2~17.8배 더 빠릅니다.

SetPrint: 응답 변화의 집합적 대응을 통한 블랙박스 LLM 지문 추적

arXiv:2611.12950v1 발표 유형: 신규 초록: 블랙박스 LLM 지문 분석은 입력 쿼리에 대한 출력 응답만 관찰 가능한 상황에서 대상 모델이 소스 모델로부터 파생되었는지 여부를 판단하는 것을 목표로 합니다. 이러한 관계를 밝혀내는 한 가지 방법은 각 쿼리를 변형하고 두 모델의 결과 응답을 관찰하여 두 개의 상응하는 응답 변동 집합을 생성하는 것입니다. 이들 집합은 두 가지 상호 보완적인 정보원을 제공합니다: 각 집합 내 응답 변화 간의 관계와 두 집합 간 응답 변화의 대응성입니다. 그러나 기존 접근법들은 이 두 가지를 완전히 활용하지 못했습니다. 우리는 \textbf{SetPrint}을 제안하며, 이는 집합 내 관계와 집합 간 대응성을 동시에 포착하는 학습 불필요 방법입니다. SetPrint은 각 응답 변화를 해당 집합의 평균 변화에 대해 상대적으로 표현한 다음, 동일한 변형으로 유도된 두 모델의 변화를 비교합니다. LeaFBench에서 SetPrint은 기존의 학습 불필요 블랙박스 지문 분석 방법들을 일관되게 능가합니다. 추가 분석에 따르면 이러한 성과는 집합 내 관계와 집합 간 대응성 모두에 기인합니다.

AtariBench: Atari 게임 플레이에서 비전-언어 모델의 시공간 추론 평가

arXiv:2611.08755v1 발표 유형: 신규 초록: 비전-언어 모델(VLM)은 정적인 시각 이해 벤치마크에서 우수한 성능을 달성했지만, 동적 환경에서의 행동 능력에 대해서는 아직 잘 이해되지 않고 있습니다. 우리는 AtariBench를 제안하며, 이는 20개의 Atari 2600 게임을 대상으로 VLM을 평가하는 통제된 벤치마크로, 모델들이 고시간 해상도의 게임플레이 스트림에서 순차적 결정을 내려야 합니다. 게임 내 빠른 동역학과 실제 경과 시간 기반 추론 속도를 분리함으로써, AtariBench는 모델들이 급격한 시각적 상태 변화를 인지하고, 시공간적 동역학을 추론하며, 현재 관찰 결과에 기반하여 행동을 수행할 수 있는지를 중점적으로 평가합니다. 우리의 실험 결과는 최신 VLM들에 상당한 한계가 있음을 보여줍니다. 모델들은 종종 객체의 움직임과 방향을 추론하지 못하고, 취약한 순차적 의사결정을 보이며, 새로 추가된 시각적 피드백에도 불구하고 텍스트 상호작용 이력을 지나치게 의존하는 것으로 나타났습니다. 또한 우리는 모델 역량의 신뢰할 수 있는 신호를 제공하는 게임 내 점수가 무엇인지 파악하기 위해 분리 가능성 분석을 도입하고, 벤치마크를 활용하여 메모리 설계와 프롬프팅 전략이 성능에 미치는 영향을 연구합니다. 전반적으로 AtariBench는 수동적 시각 인식과 능동적 의사결정 사이에 여전히 존재하는 격차를 드러내며, 동적 환경에서 추론하고 행동할 수 있는 VLM 개발을 위한 가볍고 엄밀한 테스트베드를 제공합니다.

NUMA-Torch: 멀티소켓 CPU에서 컴파일러 기반 NUMA 인식 LLM 프리필

arXiv:2611.07105v1 발표 유형: 신규 초록: 온칩 캐시에 매개변수를 저장할 수 없는 충분히 큰 변환기 기반 대규모 언어 모델(LLM)의 경우, 멀티 소켓 CPU에서의 프리필 처리량은 최대 부동소수점 처리량이 아닌 지속 가능한 DRAM 대역폭에 의해 종종 제한됩니다. 표준 PyTorch 컴파일(즉, TorchInductor) 경로에서는 메모리 뱅크와 연산 코어 간의 연관성을 고려하지 않고 모델 가중치를 할당합니다. 이로 인해 가중치 접근의 상당 부분이 소켓 간 상호 연결을 통과하게 되어 각 소켓에서 사용할 수 있는 유효 메모리 대역폭이 크게 저하됩니다. 우리는 TorchInductor를 NUMA-aware로 만드는 컴파일러 수준의 솔루션을 통해 이러한 병목 현상을 해결합니다. 각 NUMA 소켓을 독립적인 텐서 병렬 파티션으로 취급하여 NUMA-aware Tensor Parallelism(NUMA-TP)을 도입합니다. 이 방법은 소켓 간에 가중치를 투명하게 분할하고 연산 커널을 스케줄링하여 스레드 풀과 메모리 할당이 CPU 연관성을 활용해 해당 소켓 내에서 엄격히 로컬로 유지되도록 합니다. 우리는 GPT-2(117M, 345M, 762M) 및 BERT(Small, Large)와 같은 표준 다중 헤드 주의와 MLP를 테스트하며, Multi-Query Attention과 GeGLU 게이트된 MLP를 결합한 Gemma 3 270M에서도 이 접근법을 평가합니다. 데이터 지역성을 엄격히 준수함으로써 우리의 접근법은 소켓 간 트래픽을 성공적으로 완화하여 듀얼 소켓 Haswell 플랫폼에서 최대 2.63배, 듀얼 소켓 Cascade Lake 플랫폼에서 최대 1.87배, 그리고 사중 소켓 Haswell-EX 플랫폼에서 최대 2.27배의 프리필 속도 향상을 달성했습니다.

언어 모델의 응답 다양성에 대한 조건부 상호 정보 분석

arXiv:2611.03836v1 발표 유형: 신규 초록: 대형 언어 모델은 추론(생성) 시 다양한 응답을 제공하며, 이는 전통적으로 온도 파라미터에 의존합니다. 조건부 상호정보 접근법을 사용하여 응답 다양성에 대한 양적이고 엔트로피 기반의 분석을 제시합니다. 무에서 최대 상호정보에 이르는 세 가지 한계 행동을 정의합니다: 중재자, (조건부) 독립, 그리고 중립(결정론적). 각 행동에 대한 예시를 제시하고, 이를 온도 분석, 언어 분석, 프롬프트 압축 및 지식 그래프에 적용할 수 있도록 제안합니다.

추론은 위상적으로 단순합니다

arXiv:2611.03739v1 발표 유형: 신규 초록: 우리는 추론 텍스트가 비추론 텍스트보다 더 단순한 공현상 위상을 가진다는 가설과, 고품질 추론이 저품질 추론보다 더 단순한 공현상 위상을 가진다는 가설을 정식화하고 검증합니다. 또한 AI 안전성 및 AI 평가에 대한 응용 방안을 논의하고 실험합니다.

AI 분야의 최고 기업들이 데이터 수집을 거부하는 새로운 방식을 지지하고 있습니다

OpenAI, Google, Microsoft, 그리고 Anthropic은 출판사들이 AI에 의해 데이터를 수집되는 것을 거부할 수 있는 새로운 표준을 채택할 것이라고 밝혔습니다. 이는 앞서 Search Engine Roundtable에서 보도된 바와 같습니다. 이러한 제어 기능을 통해 출판사들은 개별적으로 설정해야 했던 AI 학습 선호 사항을 여러 AI 기업에 걸쳐 일괄적으로 적용할 수 있게 됩니다. 공유된 “정책 토큰” 신호는 […]

新闻源配图 · The Verge · AI
진행 상황 및 관련 보도

공정한 딥페이크 탐지를 위한 교차적 불변 학습

arXiv:2610.37881v1 발표 유형: 신규 초록: 딥페이크 탐지 모델은 전반적인 정확도는 높지만, 인구통계학적 집단 간 성능 격차가 크기 때문에 일부 집단에서는 다른 집단에 비해 훨씬 높은 거짓양성률을 경험하게 됩니다. 기존의 공정성 지향 방법들은 모델 출력을 제한하여 집단별 예측을 균등화하는 방식으로 이 문제를 해결하려 하지만, 근본적인 특징 수준의 편향에는 대응하지 못합니다. 그 결과, 모델들이 여전히 피부 질감과 같은 인구통계학적 특성을 조작된 콘텐츠를 탐지하는 간접적 단서로 활용할 수 있는 상황이 발생합니다. 이러한 문제를 해결하기 위해 우리는 모델 출력만을 조정하는 것이 아니라 특징 학습 자체를 개선하는 프레임워크인 교차적 불변 학습(IIL)을 제안합니다. IIL은 가장 어려운 인구통계학적 하위 집단을 식별하는 과정을 반복적으로 수행하며

진행 상황 및 관련 보도

의료 영상 간 최적 운송을 위한 볼록 잠재력 학습

arXiv:2610.37844v1 발표 유형: 신규 초록: 의료 영상 간 최적 운송 지도를 계산하는 일은 형태학적 분석에서 근본적인 역할을 합니다. 그러나 기존 방법들은 대규모 3D 의료 영상에 대한 확장이 어렵거나, 근사적인 운송 지도만 제공하는 정칙화된 공식에 의존합니다. 후속 의료 영상 분석의 정확성을 높이기 위해, 우리는 볼록 잠재력 함수를 매개변수화함으로써 최적 운송 지도를 추정하는 새로운 접근법을 제안합니다. 이 방법은 설계 상 결과로 도출되는 운송 지도가 베르니에 정리와 일치하며 회전성이 없음을 보장합니다. 우리는 제안한 방법을 2D 및 3D 의료 영상 데이터셋에서 평가했습니다. 실험 결과는 우리 접근법이 더 낮은 운송 추정 오차를 달성하고 더 높은 q

진행 상황 및 관련 보도

모델 교정을 위한 변환된 국소화된 사후 추론: 해양 난류 폐쇄 모델에의 응용

arXiv:2610.37731v1 발표 유형: 신규 초록: 모델의 불일치로 인해 단일 교정 파라미터만으로는 전체 맥락 영역에서 물리적 반응을 재현할 수 없을 수 있습니다. 또한 관측값과 맥락의 불확실성은 교정에 영향을 미치며, 이를 반드시 고려하고 정량화해야 합니다. 우리는 목표 맥락에 대한 근접성에 따라 관측 가능성을 가중하는 방식으로 일련의 국소화된 사후 분포를 구성합니다. 가우시안 국소화 가중치는 공분산 확장을 통해 맥락 불확실성을 반영하며, 도메인 경계에서는 반사를 적용하고, 맥락 표본 채취가 고르지 않은 경우에 대비한 선택적 보정도 제공합니다. 조건부 정규화 흐름을 이용하여 변환된 변분 추론을 통해 이들 사후 분포의 집합을 근사합니다. 규정된 맥락 측도 하에 국소화된 사후 분포들을 통합하면

진행 상황 및 관련 보도

음식 유사성은 무엇을 구성하는가? 인도 요리에서의 시각적 표현과 검색

arXiv:2610.37867v1 발표 유형: 신규 초록: 음식 유사성은 검색, 추천, 대체 등 다양한 음식 컴퓨팅 작업의 기반이 되지만, 일반적으로 음식 표현은 동일성 유지 여부를 기준으로 평가된다. 우리는 동일성 외에 음식 유사성이 어떻게 변화하는지에 대해 질문한다: 서로 다른 시각적 표현들이 음식들을 관계적 이웃으로 어떻게 정렬하며, 이러한 이웃이 어떤 요리적 관계를 드러내거나 숨기는지, 그리고 이러한 구조가 여러 표현들 간에 얼마나 일관되게 나타나는지를 살펴본다. 인도 요리는 시각적으로 유사한 음식들이 서로 다른 요리적 정체성을 가질 수 있는 동시에, 하나의 요리 계통 내에서도 외형이 크게 다를 수 있는 도전적인 환경을 제공한다. 확장된 Khana 데이터셋과 컨볼루션, 트랜스포머를 아우르는 일곱 가지 사전 훈련된 시각적 표현을 활용하여

진행 상황 및 관련 보도

FilingLoop: 기업 공시 검토 및 수정을 위한 LLM 에이전트 평가 및 진화

arXiv:2610.37905v1 발표 유형: 신규 초록: SEC EDGAR와 같은 공시 저장소는 기업 공시에 대한 웹 접근을 통해 정보에 기반한 투자를 지원합니다. 이러한 문서의 검토를 언어 모델 기반 에이전트로 지원하려면, 관련 문서들 간의 미표명된 결함을 발견하고, 누락된 회사 정보를 확보하며, 요청된 수정 사항이 증거에 근거한 요구사항을 충족하는지 검증해야 합니다. 기존의 재무 관련 질문-답변 평가는 이러한 상호작용 능력에 대해 제한적인 근거만 제공합니다. 우리는 기업 공시 검토 및 수정을 위한 대화형 벤치마크이자 자체 진화형 에이전트 프레임워크인 \textbf{FilingLoop}을 소개합니다. FilingLoop은 미국 증권거래위원회의 역사적 서신을 바탕으로, 96개 기업의 주로 IPO 검토 과제 380개를 재구성합니다.

진행 상황 및 관련 보도

스포크, 링이 아니다: 언어 모델의 주중 다양체 재검토

arXiv:2610.37796v1 발표 유형: 신규 초록: 최근 연구에서는 대규모 언어 모델이 특정 개념을 단일 방향이 아닌 다차원적 다양체로 표현할 수 있다고 가정해 왔습니다. 이러한 다양체를 활용하여 표현을 해석하거나 조정하는 과정에서는, 일반적으로 다양체를 따라 이동하는 것이 표현된 개념에 대한 연속적인 변화와 일치한다고 여겨집니다. 본 연구에서는 이러한 연속적 다양체 가정을 전형적인 주중 다양체에 대해 검증합니다. 주목할 만한 원형 기하학에도 불구하고, 우리는 주중 표현들이 연속적인 링이라기보다는 원형으로 배열된 일곱 개의 분리된 상태와 더 유사하다는 점을 발견했습니다. 첫째, 국소적 민감도가 요일에 맞춰 일곱 개의 최소점을 가지며, 이는 다양체 내 조정 하에서 표현과 행동 간의 계단식 매핑을 생성함을 보여줍니다. 둘째, w

진행 상황 및 관련 보도