kddi.com

이 이메일 도메인이 관측된 논문 3건

arXiv:2608.14570v1cs.LG

도시 시스템 궤적 생성을 위한 거친-세밀 다중 해상도 확산 모델

Coarse-to-Fine Multi-Resolution Diffusion Models for Trajectory Generation in Urban Systems

인간 이동성(mobility)을 이해하는 것은 교통 관리, 전염병 통제, 도시 계획 등 다양한 도시 응용에서 매우 중요하다. 그러나 프라이버시 문제로 인해 대규모 공개 궤적(trajectory) 데이터의 가용성은 여전히 제한적이며, 이는 하위 이동성 분석에 어려움을 야기한다. 합성 궤적 생성을 위한 기존 방법들은 주로 전역 분포 유사성을 맞추는 데 초점을 두지만, 실용적 가치에 필수적인 서로 다른 공간·시간 해상도에서의 이동 패턴은 종종 간과한다. 이러한 과제를 해결하기 위해, 우리는 대규모 궤적 생성을 위한 새로운 다중 해상도 확산(diffusion) 프레임워크인 MR-Traj를 제안한다. MR-Traj는 궤적을 거친 입도(coarse-grained)의 마일스톤(milestone)과 세밀한 입도(fine-grained)의 세그먼트(segment)의 조합으로 명시적으로 모델링하여, 여러 해상도에서 복잡한 시공간 의존성을 포착할 수 있게 한다. 실험 결과는 MR-Traj가 전역 분포 유사성 측면에서 최신(state-of-the-art) 방법들과 비슷한 성능을 달성하면서, 세밀 해상도 이동 패턴 모델링 및 하위 도시 이동성 과제 지원에서는 일관되게 더 우수함을 보여준다. 또한 여러 해상도 수준에서 확률적 변동(stochasticity)을 도입함으로써 MR-Traj는 더 다양한 궤적을 생성하며, 이는 seed-guided 데이터 공개 설정에서 궤적 연결(linkage) 위험을 경험적으로 줄인다. 코드는 https://github.com/Ray0202/MR-Traj 에서 이용할 수 있다.

arXiv:2608.01906v1cs.CV

UAV 영상을 활용한 재난 후 건물 피해 평가를 위한 첨단 심층 학습 기법 결합의 효용성 분석

Assessing the Benefits of Combining Advanced Deep Learning Techniques for Post-Disaster Building Damage Assessment from UAV Imagery

신속하고 정확한 재난 후 건물 피해 평가는 필수적이지만 여전히 까다로운 과제입니다. 무인 항공기(UAV) 영상은 피해 지역에 대한 적시의 고해상도 시야를 제공하지만, 기존 컴퓨터 비전(CV) 모델은 대규모 주석 데이터셋을 요구하는 경우가 많고 지리적 영역 및 평가 정책 전반에 걸쳐 일반화 능력이 떨어지며 학습된 특정 작업에만 국한되는 경향이 있습니다. 대규모 비전-언어 모델(LVLM)은 강력한 추론 및 일반화 능력을 바탕으로 유망한 대안을 제시하지만, 객체 검출(object detection) 및 정확한 경계 상자(bounding box) 생성과 같은 정밀한 저수준 지각 작업에는 한계를 보입니다. 또한 도메인 특화 작업에서 효과적인 미세조정(fine-tuning)을 수행하려면 상당한 양의 데이터가 필요한 경우가 많습니다. 본 논문에서는 검출과 피해 평가를 분리하여 CV 모델의 정밀도와 LVLM의 추론 능력을 결합한 하이브리드 프레임워크를 제안합니다. 먼저 CV 모델이 건물을 검출하고 이미지 상에 경계 상자를 생성한 후, 이를 LVLM에 전달하여 피해 분류 및 맥락적 해석을 수행합니다. 우리는 제안한 프레임워크를 두 가지 실제 벤치마크인 RescueNet과 FloodNet에서 평가했습니다. 특히 이 프레임워크 하에서 최적의 조합은 온전한 건물, 부분 파손 건물, 완전히 파괴된 건물의 수를 정확하게 집계하여 검출 단계에 제한적인 주석 데이터만 필요로 하면서도 단일 베이스라인 대비 최대 2.1 R^2 포인트 더 높은 성능을 보였습니다. 종합적인 성능 향상을 보고하는 것 외에도 실패 시나리오와 예외 케이스(edge case)에 대한 세부적인 분석을 제공하여 실무자를 위한 실용적인 통찰과 향후 연구를 위한 구체적인 방향을 제시합니다. 소스 코드와 데이터는 연구 커뮤니티를 위해 다음 저장소(https://github.com/ungquanghuy-kddi/VLM_GDINO.git)를 통해 공개되어 있습니다.

arXiv:2606.31033v1cs.CL

CORTEX: 비교 내부 표현을 통한 RAG의 토큰 수준 환각 탐지

CORTEX: Token-Level Hallucination Detection in RAG via Comparative Internal Representations

검색-증강 생성(RAG) 출력에서 환각이 전체가 아닌 국소 구간에서 발생한다는 점에 착안하여, CORTEX는 검색 문서 유무에 따른 LLM 내부 표현의 차이(delta representation)와 어텐션 기반 컨텍스트 잔차를 활용해 토큰 수준 환각을 탐지한다. 두 개의 RAG 벤치마크와 세 가지 LLM 실험에서 레이블 지속성 스무딩까지 포함한 각 구성 요소가 일관되게 성능 향상에 기여함을 확인했다.