huawei-partners.com

이 이메일 도메인이 관측된 논문 4건

arXiv:2608.00005v2cs.CL

RubricReviewer: From Direct Critique to Rubric-Driven Review via Agentic Evidence Synthesis and Human-Aligned Generation

주요 학술 대회의 동료 평가(peer review)는 전례 없는 논문 제출 압박에 직면해 있으며, 이는 대규모 언어 모델(LLM)을 심사 보조 도구로 활용하려는 동기를 부여하고 있습니다. 그러나 기존의 LLM 기반 리뷰어는 두 가지 구조적 한계를 안고 있습니다. 첫째, 원고를 리뷰로 직접 매핑하여 기본 루브릭(rubric)을 암묵적인 상태로 남겨두고 루브릭의 도출과 판단을 뒤얽히게 만듭니다. 둘째, 널리 사용되는 패러다임들은 각각 좋은 리뷰의 절반만을 포착합니다. 즉, 학습(training)이 필요 없는 에이전트(agent)는 광범위한 근거를 수집하지만 방향성이 결여된 비평을 생성하는 반면, 학습 기반 리뷰어는 인간의 변별력 있는 판단을 상속받으면서도 그에 수반되는 노이즈와 불균일한 커버리지까지 함께 물려받습니다. 본 논문에서는 두 가지 한계를 모두 해결하는 완전한 루브릭 기반 프레임워크인 RubricReviewer를 소개합니다. 이 프레임워크는 루브릭 생성을 명시적인 중간 단계로 만들어, 리뷰 생성과 최종 평가가 모두 논문 맞춤형 루브릭을 조건으로 수행되도록 합니다. 나아가 외부 근거를 수집하는 무학습 에이전트(Scout)와 이 근거를 활용하는 인간 정렬 학습 모델(Aligner)을 결합하여, 두 감독 소스의 강점을 융합합니다. 실제 제출 논문을 대상으로 한 실험 결과, RubricReviewer는 기존 시스템보다 현저히 더 포괄적이고 변별력 있는 리뷰를 생성하며, 적대적 프롬프트 주입(adversarial prompt-injection) 공격에 대해 가장 강력한 견고성을 보였습니다. 절제 연구(ablation study)를 통해서도 각 구성 요소의 필요성이 입증되었습니다.

arXiv:2610.01533v1cs.AI

흑백의 이분법을 넘어: 그래프 기반 시맨틱 ID(GrIS)를 통한 시맨틱 및 협업 신호의 균형

Neither Black nor White: Balancing Semantic and Collaborative Signals with Graph-Informed Semantic IDs (GrIS)

생성형 추천을 위한 시맨틱 ID(Semantic ID, SID)에 관한 기존 연구들은 SID 구축을 표현 학습(representation learning) 문제로 취급하여, 아이템을 양자화된 잠재 공간으로 인코딩하고 코드를 읽어내는 방식을 취합니다. 본 논문에서는 이러한 관점이 본질적이지 않다고 주장합니다. SID 구축은 본질적으로 재귀적 클러스터링(recursive clustering) 문제이며, 이렇게 정의하면 클러스터링할 자연스러운 대상은 노드가 시맨틱 콘텐츠를 담고 에지가 협업 신호(collaborative signal)를 전달하는 그래프가 됩니다. 즉, SID 할당은 계층적 그래프 분할(hierarchical graph partition)이 됩니다. 이러한 재구성을 통해 기존 접근 방식을 대체하기보다는 포괄하는 통합 프레임워크인 그래프 기반 시맨틱 ID(Graph-Informed Semantic IDs, GrIS)를 도출합니다. RQ-VAE 및 RQ-KMeans는 그래프가 비어 있는 특수한 경우로 환원되며, 이는 콘텐츠 전용 양자화가 지금까지 하나로 뭉쳐져 있던 두 축인 그래프 구축과 재귀적 분할 알고리즘으로 이루어진 더 큰 설계 공간의 한 단면에 불과함을 보여줍니다. 본 연구에서는 두 가지 대조적인 구현체를 탐색합니다. 하나는 미분 가능한 그래프 풀링(pooling)을 통해 계층적 할당을 수행하는 RecDMoN이고, 다른 하나는 그래프 인식 아이템 표현과 그래프 재구성 목적 함수를 통해 RQ-VAE를 확장하는 RQ-GAE입니다. 여러 실제 데이터셋에서 GrIS는 협업 필터링(CF) 인식 최신 기술(SOTA) 대비 일관되게 향상된 성능을 보여주며, Hit@10에서 최대 +52%의 성능 향상을 달성합니다. 그래프 구축과 분할이 명시적이고 개별적으로 구성 가능한 컴포넌트이기 때문에, 두 축 중 어느 한쪽의 개선점이라도 결합하여 체계적으로 평가할 수 있습니다.

arXiv:2602.18662v3cs.LG

시계열 인과 발견을 위한 대규모 인과 모델

Large Causal Models for Temporal Causal Discovery

횡단면 및 시계열 데이터 모두에 대한 인과 발견(causal discovery)은 전통적으로 각 개별 데이터셋마다 새로운 모델을 적합시키는 데이터셋 맞춤형 패러다임을 따라왔습니다. 이러한 접근 방식은 다중 데이터셋 사전학습(pre-training)의 잠재력을 제한합니다. 대규모 인과 모델(LCM) 개념은 시계열 인과 발견을 위해 특별히 설계된 사전학습 신경망 아키텍처 군을 구상합니다. 기존 접근 방식들은 적은 변수 수로 제한되고 입력 크기가 커질수록 성능이 저하되며 합성 데이터에 크게 의존하여 일반화 성능이 제한됩니다. 본 연구에서는 다양한 합성 생성기와 실제 시계열 데이터셋을 결합하여 대규모 학습을 가능하게 하는 체계적인 LCM 프레임워크를 제안합니다. 합성, 준합성 및 현실적 벤치마크에 대한 광범위한 실험 결과, LCM이 더 많은 변수 수와 더 깊은 아키텍처로 효과적으로 스케일링(scaling)되면서도 강력한 성능을 유지함을 보여줍니다. 학습된 모델은 특히 분포 외(out-of-distribution) 설정에서 고전적 및 신경망 기반 기준선 모델과 비교해 대등하거나 우수한 정확도를 달성하는 동시에 신속한 단일 패스 추론(inference)을 가능하게 합니다. 이러한 결과는 LCM이 시계열 인과 발견을 위한 유망한 파운데이션 모델 패러다임임을 입증합니다. 실험 및 모델 가중치는 https://github.com/kougioulis/LCM/ 에서 확인할 수 있습니다.

arXiv:2608.03705v1cs.AI

트래픽은 줄이고 성과는 높이기: 실시간 광고 거래소에서의 경쟁 인식 기반 요청 전송

Less Traffic, Better Outcomes: Competition-Aware Request Dispatch in Real-Time Ad Exchanges

실시간 경매(RTB) 광고 거래소는 실제로 입찰이 발생하는 비율이 극히 일부임에도 불구하고, 일반적으로 유입되는 거의 모든 요청을 수요 측 플랫폼(DSP)으로 전달합니다. 이러한 과도한 트래픽 배분은 경매 성과를 약화시킵니다. DSP가 연산 자원 및 예산 제약으로 인해 참여율을 제한(throttling)하여 제한된 입찰 용량의 효과적인 활용을 저해하기 때문입니다. 본 논문에서는 분포 기반 입찰 예측과 확률적 전달을 활용해 각 요청을 각 DSP에 전송할지 여부를 결정하는 경쟁 인식 기반 요청 전송 프레임워크를 제안합니다. 이 시스템은 비정상적(non-stationary) 시장 상황을 추적하기 위해 경량 정책 최적화(policy optimization)를 통해 시간 경과에 따라 DSP별 임계값을 적응적으로 조정합니다. 일일 200억 건 이상의 요청을 처리하는 프로덕션 플랫폼에서 네 차례의 순차적 온라인 실험을 통해 프레임워크를 평가했습니다. 전체 다중 DSP 배포 결과, 초기 DSP 적응 기간 이후 최근 14일 동안 해당 정책이 적용된 DSP 요청 볼륨이 34.2% 감소한 동시에 순수익은 4.6%(p<0.001) 증가했습니다. 추가 분석에서는 트래픽 세그먼트 전반에 걸친 강한 이질성을 강조하며, 집계된 지표가 오해를 불러일으킬 수 있음을 보여줍니다. 세그먼트 수준 및 DSP별 분석은 본 정책이 DSP 간의 비교 우위를 드러내어 전체 요청 볼륨을 늘리지 않고도 수익화 성과를 향상시킴을 시사합니다.