ec.europa.eu

이 이메일 도메인이 관측된 논문 5건

arXiv:2610.01326v1cs.AI

범분야적 위기 관리를 위한 온톨로지: 핵심 및 공중보건 모듈

An ontology for cross-sectoral crisis management: core and public health modules

본 논문에서는 재난 위험 경감 및 대응을 위한 범분야적 참조 온톨로지로 고안된 모듈형 OWL 기반 온톨로지인 유럽 위기 관리 온톨로지(ECMO)를 제시합니다. ECMO는 온톨로지 모듈 네트워크 형태로 구성되도록 설계되었습니다. 여러 모듈 중 ECMO-CORE는 위험 요소(hazard), 사건(event), 노출(exposure), 영향(impact), 대응 조치(response measure)와 같은 핵심적인 위기 관리 개념들을 포착하며, 온톨로지 디자인 패턴과 OWL2 퍼닝(punning) 기법을 활용하여 위험 유형과 사건 발현 사이의 모호성을 해결합니다. 또한 SNOMED CT 및 ICD-11과 연계된 공중보건 모듈의 사례와 같이 도메인 특화 모듈들도 정의됩니다. 본 자원의 유용성을 입증하기 위해, 우리는 공동연구센터(JRC)의 오픈 소스 기반 유행병 정보(EIOS) 시스템 데이터를 표현하는 데 ECMO를 적용하여 비정형 역학 뉴스 데이터로부터 ECMO 규격 지식 그래프(knowledge graph)를 구축하는 엔드투엔드(end-to-end) 파이프라인을 생성했습니다. 초기 결과는 ECMO가 일관되고 통합된 지식 표현 및 통합에 필요한 형식적 가드레일을 제공함을 보여줍니다. 해당 온톨로지는 https://doi.org/10.5281/zenodo.20070268 에서 공개되어 있으며, 크리에이티브 커먼즈 저작자표시 4.0 국제(CC BY 4.0) 라이선스 하에 배포됩니다.

arXiv:2609.04877v1cs.AI

MARLA: EU AI Act 하에서 규제 학습을 위한 개념적 토대

MARLA: A Conceptual Scaffold for Regulatory Learning under the EU AI Act

EU AI Act는 규제를 안전하고 신뢰할 수 있으며 시장 투입이 가능한 혁신을 위한 인프라의 일부로 자리매김한다. 이러한 목표를 실현하려면 규제 학습(regulatory learning)이 필요하다. 이행 과정에서 생성되는 증거는 일관된 해석, 효과적인 감독, 기술 진화에 따른 적응을 지원하는 거버넌스 및 법적 지식으로 변환되어야 한다. 그러나 이 증거를 생성하는 주체와 이를 의존하는 주체는 서로 다른 전문 영역에서 활동한다. 본 논문은 MARLA(Map, Assess, Report, Learn, Adapt)를 제안한다. 이는 법적 요건의 사회-기술(socio-technical)적 실천으로의 이행을 중심으로 규제 학습을 5단계 순환으로 조직하는 개념적 토대이며, AI Act 거버넌스 구조의 지역(Local), 국가(National), 유럽(European) 수준에 위치한다. 의도적으로 규범을 강제하지 않는(non-prescriptive) MARLA는 기술 및 법률 이해관계자에게 공유 어휘를 제공하며, 처음 세 단계 각각이 고유한 기록 가능한 형태의 규제 학습을 생성한다. 두 건의 파일럿 사례 연구와 국가-유럽 수준의 전망적 예시로 이 토대를 설명한다.

arXiv:2609.03844v1cs.CR

뒤집고 섞지 마라: 추론 속도로 대규모 언어 모델 워터마킹하기

Flip, Don't Shuffle: Watermarking LLMs at the Speed of Inference

본 논문에서는 토큰(token)별 독립적인 베르누이 시행(Bernoulli trials)을 통해 그린 리스트(green list) 소속 여부를 결정하는 대규모 언어 모델(LLM)을 위한 새로운 통계적 워터마크인 Stateless Bernoulli Watermarking(SBW)을 소개합니다. KGW의 어휘 순열이나 SynthID의 다층(multi-layer) 토너먼트와 달리, SBW는 카운터 기반 난수 생성기를 상대로 토큰당 단 한 번의 비교만 필요로 하므로, 소속 판별 복잡도를 $O(1)$로 줄이고 중간 메모리 할당(intermediate allocations)이 전혀 없는 단일 커널(kernel) 실행을 가능하게 합니다. 저자들은 이 공식화가 고정 크기 그린 리스트와 동일한 탐지 보증을 유지함을 증명합니다. 즉, 귀무가설 하에서 z-점수 검정(z-score test)은 $\mathcal{N}(0,1)$로 유지됩니다. 이러한 상태 비저장(stateless) 구조는 기존 방식에서는 불가능했던 기능들을 제공합니다. 즉, 전체 어휘 자체 솔트(self-salt) 워터마킹(후보 의존적 시딩으로 전체 어휘에 편향을 줌에도 불구하고 KGW의 자체 솔트보다 6000배 이상 빠르고 SynthID보다 2배 빠름) 및 분산 추론(inference)과의 구조적 호환성을 가능하게 합니다. 엔드투엔드 생성 벤치마크(benchmark)에서 SBW는 모든 배치(batch) 크기에서 1% 미만의 오버헤드만을 추가합니다. 이에 더해 저자들은 이전에는 탐구되지 않았던 워터마크 품질의 한 축으로 해시 함수 설계를 규명하며, GPU-네이티브 Jenkins 해시가 더 다양한 텍스트를 생성하면서도 귀무 보정(null calibration)을 1.8배 개선함을 보여줍니다. 두 가지 시딩 방식과 8개의 $(γ, δ)$ 구성에 걸친 실험을 통해 ROC-AUC 차이가 0.01 미만인 통계적 동등성을 확인합니다.

arXiv:2609.00858v1cs.AI

검증 가능한 재난 스토리라인 및 인과 지식 그래프: 이종 인도주의 소스로부터의 인용-그라운딩 파이프라인

Verifiable Disaster Storylines and Causal Knowledge Graphs: A Citation-Grounded Pipeline from Heterogeneous Humanitarian Sources

효과적인 인도주의적 대응은 이종의 대규모 정보 소스를 신속하게 종합하는 데 달려 있으나, 이는 위기 초기의 중요한 시간대에서 일상적으로 인간의 분석 역량을 초과하는 작업입니다. 본 논문에서는 EM-DAT의 정형 재난 기록과 ReliefWeb 및 European Media Monitor(EMM)의 비정형 문서를 결합하여, 대응 요원 및 분석가의 상황 인식(situational awareness)을 지원하는 소스-그라운딩(source-grounded) 재난 스토리라인과 인과 지식 그래프를 생성하는 파이프라인을 제시합니다. 검색-증강 생성(RAG)을 활용하는 이 파이프라인은 심각도와 주요 요인부터 아동 민감 영향 지표에 이르는 17개 필드를 다루는 표 형태의 사건 프로필인 정형 스토리라인을 추출하고, 각 노드(node)와 엣지가 인용-그라운딩된 설명 서사로 보강되어 1차 출처까지 완벽한 추적성을 지원하는 인과 지식 그래프를 구축합니다. 9명의 도메인 전문가 및 9명의 비전문가 평가자가 참여한 인간 평가(human evaluation)를 통해 세 가지 다양한 위기 사용 사례에서 시스템을 평가했습니다. 결과는 높은 검색 정밀도(precision), 추출된 인과 관계의 강력한 충실도(faithfulness), 그리고 그라운딩되지 않은 대안 대비 인용-그라운딩된 구성요소에 대한 전문가들의 명확한 선호를 입증합니다. 이 파이프라인은 전체 EM-DAT 카탈로그로 확장되도록 설계되었으며, 서사가 보강된 버전의 데이터베이스를 공개 배포하는 것을 목표로 합니다.

arXiv:2608.30912v1cs.AI

암 유전체학에서 AI의 책임 있는 통합: 장벽, 위험, 신뢰할 수 있는 임상 전환을 위한 경로

Responsible Integration of AI in Cancer Genomics: Barriers, Risks, and Pathways to Trustworthy Clinical Translation

인공지능(AI)과 자연어 처리(NLP)는 암 유전체학과 관련된 생의학 지식을 추출·통합·해석하는 데 점점 더 많이 사용되고 있지만, 이를 일상적인 임상 종양학으로 전환하는 것은 상대적으로 더딘 편이다. 핵심 과제는 계산 역량만이 아니라 임상 워크플로에 대한 신뢰할 수 있는 통합이다. 본 리뷰는 문헌 마이닝(literature mining)과 자동화된 변이(variant) 해석부터 임상시험 매칭, 지식 그래프(knowledge graph) 구축, 멀티모달(multimodal) 데이터 통합에 이르기까지 NLP와 AI가 암 유전체학 파이프라인을 어떻게 지원하는지 검토한다. 우리는 네 가지 상호 연관된 전환(translational) 실패 영역을 식별한다: 증거의 비일관성, 설명 가능성(explainability)과 불확실성(uncertainty), 데이터 거버넌스(data governance)와 재현성(reproducibility), 그리고 상호운용성(interoperability). 이러한 도전을 고립적으로 보는 대신, 우리는 전환 경로 전반에 걸친 상호작용에 초점을 맞춘 시스템 수준의 관점을 취한다. 우리는 엄격한 검증, 불확실성 인지(uncertainty-aware) 방법, 상호운용 가능한 인프라, 규제 정렬(regulatory alignment), AI 수명주기 전반에 걸친 인간 감독(human oversight)을 통해 이러한 영역을 해결하기 위한 개념적 프레임워크와 로드맵을 제안한다. 일상적인 임상 사용을 향한 진전은 모델 역량을 더 개선하는 것보다 개발부터 배포 및 배포 후 모니터링에 이르기까지 이러한 상호작용하는 실패 영역을 체계적으로 다루는 데 더 달려 있을 것이다.