kean.edu

이 이메일 도메인이 관측된 논문 5건

arXiv:2610.01045v2cs.AI

공허한 약속: 에이전트가 이행할 수 없는 약속을 할 때

Empty Commitments: When Agents Promise What They Cannot Deliver

"내일 알려드리겠습니다"라고 말하는 챗봇은 사용자가 다시 메시지를 작성하기 전까지는 실행되지 않습니다. 우리는 이러한 약속을 공허한 약속(empty commitment)이라 부릅니다. 이는 현재 턴 이후의 행동에 대한 약속이지만, 에이전트의 도구나 런타임 환경에 이를 실행할 수 있는 수단이 전혀 없는 경우를 의미합니다. 깨진 약속과 달리 공허함은 발화 순간 에이전트의 구성(configuration)에 따라 결정되므로, 배포 전이나 런타임 시 단일 턴만으로도 감지할 수 있습니다. 본 연구에서는 약속 의미론(commitment semantics)을 기반으로 공허한 약속을 정의하고, 세 가지 실패 유형, 도구를 통해 실현될 수 있는 약속에 대한 앵커링 조건, 그리고 이러한 실패를 정직한 보류(honest deferral) 및 과도한 거부(over-refusal)와 구분하는 결과 분류 체계를 제시합니다. 우리는 400개의 인간 레이블로 검증된 체커(환경 미인지 감지기, 결정론적 실행 가능성 규칙, 응답 판정기)를 구축했습니다. 지속성 어포던스(persistence affordance)를 하나씩 추가하는 5가지 설정에 걸쳐 293개의 후속 요청으로 구성된 통제된 벤치마크에서, 8-14B 파라미터의 4개 오픈 가중치(open-weight) 모델은 도구가 존재하지 않고 아무것도 명시되지 않았을 때 응답의 45.9%에서 실패했습니다. 프론티어 모델은 4.4%의 실패율을 기록했으나, 이는 보유한 도구를 사용해서가 아니라 보류하고 되물음으로써 달성한 수치였습니다. 즉, 실행을 위한 도구 호출 없이 행해지는 약속은 모든 모델에 여전히 남아 있었습니다. 가장 저렴한 해결책인 모델에게 런타임 정보를 알려주는 방식은 아무것도 수행할 수 없는 환경에서 오픈 가중치 모델의 실패를 거의 절반으로 줄였으나, 스케줄러가 존재하는 환경에서는 아무런 변화를 주지 못했습니다. 지시적 역량 카드(directive capability card)는 과도한 거부라는 가장 큰 대가를 치르면서 대부분의 실패를 제거했으며, 루프 내에서 체커를 실행하고 플래그가 지정된 응답을 다시 작성하는 방식은 더 적은 비용으로 더 많은 실패를 제거했습니다. 코드, 프롬프트, 모델 출력 및 인간 레이블이 공개됩니다.

arXiv:2610.10038v1cs.CE

호스트에서 진화하고 엣지에서 예측하기: 횡단면 주식 수익률 예측을 위한 온라인 신경진화 아키텍처 탐색의 배포

Evolve on the Host, Predict on the Edge: Deploying Online Neuroevolutionary Architecture Search for Cross-sectional Stock Return Prediction

정확한 예측 모델은 일반적으로 규모가 크고, 온라인상에서 업데이트하는 비용이 많이 들며, 일단 학습되면 아키텍처가 고정됩니다. 본 연구에서는 데이터 윈도우가 도착할 때마다 소형 순환 신경망 개체군을 진화시키는 온라인 신경진화 아키텍처 탐색 기법인 ONE-NAS를 일별 횡단면 주식 수익률 예측에 적용하고, 이를 호스트와 엔드포인트 파이프라인에서 시험 운용합니다. 호스트가 탐색을 실행하고 각 세대의 챔피언 유전체를 TCP/IP를 통해 라즈베리 파이 4B(Raspberry Pi 4B)로 전송하면, 라즈베리 파이가 온라인에서 예측을 수행합니다. 라즈베리 파이에서 단일 챔피언은 50개 주식 윈도우를 24.6 ms 만에 예측하며, 40개 아일랜드 챔피언 앙상블은 일별 의사결정 주기보다 훨씬 짧은 556 ms 만에 예측합니다. 2022~2024년 미국 중형주 4개 패널에 대해 개체군을 아일랜드 챔피언의 순위-평균 앙상블로 해석했을 때, 실현 거래 비용을 차감하고도 +27.5%의 수익률을 기록했습니다. 이는 온라인 LSTM, 온라인 GRU, 매월 재학습된 LSTM 베이스라인의 +11.3~+14.8% 및 이전 ONE-NAS 연구에서 사용된 단일 최적 유전체의 +4.5%와 대비되는 성과입니다.

arXiv:2610.07825v1cs.NE

예측 정확도가 곧 매매 수익은 아니다: 주식 수익률 예측을 위한 소형 순환 신경망의 진화

Forecast Accuracy Is Not Trading Profit: Evolving Small Recurrent Networks for Stock Return Prediction

시계열 예측 모델은 일반적으로 예측이 활용될 의사결정과 분리되어 개별 예측치를 평가하는 점별 오차(pointwise error)를 기준으로 비교되며, 더 낮은 예측 오차가 하류(downstream) 의사결정의 개선을 의미하지는 않습니다. 이와 동시에 현대적인 트랜스포머(transformer) 아키텍처가 순환 신경망 및 기타 경량 모델보다 예측 성능이 뛰어난지에 대한 논쟁도 이어지고 있습니다. 본 연구에서는 선형 모델, 고정 순환 신경망, 트랜스포머, 믹싱 기반 아키텍처를 신경진화 아키텍처 탐색(neuroevolutionary architecture search)으로 진화시킨 순환 신경망과 비교하며, 각각을 예측 정확도와 일일 롱/숏(long/short) 전략의 순수익률을 기준으로 평가합니다. 모든 모델은 풀링된 패널 데이터에 적합되며, 전체 종목 유니버스에 걸쳐 단일 네트워크로 학습(training)됩니다. 4개의 중형주 포트폴리오와 3개년의 거래 기간에 걸쳐, 진화된 네트워크는 예측 정확도와 순 매매 성과 모두에서 1위를 차지한 반면, 두 번째로 정확도가 높았던 모델은 포지션을 구축하고 거래 비용을 반영하자 손실을 기록했습니다. 이러한 우위는 예측 시계(horizon)와의 일치에서 비롯되는데, 300개 이상의 파라미터를 가진 모든 모델의 순위 정보 계수(rank IC)가 하락하는 동안 진화된 네트워크는 1일에서 10일의 평가 시계로 갈수록 상승했습니다. 또한 이 모델들은 엔드투엔드(end-to-end) 관점에서도 가장 경제적입니다. GPU 학습이 필요한 최대 817,153개 파라미터의 트랜스포머 베이스라인과 비교했을 때, CPU만 사용한 16분간의 탐색으로 라즈베리 파이 제로(Raspberry Pi Zero)에서 10.8~$μ$s 만에 예측을 수행하는 66개 가중치(weight)의 네트워크를 얻을 수 있었습니다.

arXiv:2610.01058v1cs.CR

MOMAT: 양자화된 LLM의 저전력 탈옥 방어를 위한 다중 지도 혼합 기법

MOMAT: Mixture of Multiple Atlases for Low-Power Jailbreak Defense of Quantized LLMs

양자화된 대규모 언어 모델(qLLM)은 낮은 지연 시간과 에너지 효율성 덕분에 엣지 디바이스에 점점 더 널리 배포되고 있습니다. 그러나 모델 양자화(quantization)는 정렬(alignment) 안전장치를 약화시켜 qLLM을 탈옥(jailbreak) 공격에 매우 취약하게 만듭니다. 이러한 문제를 해결하기 위해, 구조화된 지식 검색과 저전력 방어 가속을 결합한 하드웨어 강화 안전성(safety) 프레임워크인 MOMAT(Mixture of Multiple Atlases)을 제안합니다. 각 지도(atlas)는 유해하거나 무해한 샘플 세트 및 정책 템플릿의 의미론적 클러스터를 나타내며, 대규모의 이종 안전성 데이터베이스에서 차원의 저주와 그로 인한 의미론적 희소성(sparsity) 문제를 완화하는 도메인 국소화된 검색-증강 생성(RAG) 가드를 가능하게 합니다. MOMAT은 각 프롬프트(prompt)에 대해 모든 아틀라스로부터 상위 $k$개 유사도 특징을 검색하고 경량 전문가 혼합(MoE) 탐지기를 사용하여 이를 평가하며, CiM(Compute-in-Memory) 가속 유사도 엔진이 빠르고 전력 소모가 적은 아틀라스 국소 검색을 수행합니다. MOMAT의 CiM 기반 검색은 100개 쿼리 배치(batch) 처리를 15,052.44 ms에서 3,207.21 ns로 가속화($4.69 \times 10^6\times$ 속도 향상)하고, 에너지를 $8.1 \times 10^7$ $\mu$J에서 3.32 $\mu$J로 줄여 DRAM 기반(Raspberry Pi) 베이스라인 대비 약 $2.5 \times 10^5\times$의 에너지 절감을 달성합니다. 표준 벤치마크에 걸친 레드팀 테스팅(red-teaming) 평가 결과, MOMAT은 정상적인 입력에 대한 과잉 차단(benign overkill)을 방지하고 상당한 효율성 향상을 제공하면서도 최첨단 기법들의 방어 성능과 대등함을 보여주며, CiM 기반 모듈식 방어가 엣지에 배포된 qLLM을 더 안전하고 에너지 효율적으로 만들 수 있음을 입증합니다. 향후 연구를 촉진하기 위해 223.2k개 샘플로 구성된 전체 데이터셋(dataset)을 공개할 예정입니다.

arXiv:2608.03655v1cs.CL

예산 제약 조건 하에서 충실한 요약을 위한 생성과 선택의 분리

Decoupling Generation and Selection for Budget-Constrained Faithful Summarization

생성 요약(abstractive summarization) 모델은 여전히 사실적 불일치, 중복성, 취약한 길이 제어 문제에 취약합니다. 본 논문에서는 문장 예산 제약이 있는 요약을 위한 모듈식 생성 및 선택 프레임워크를 제안합니다. 사전학습된 생성기가 여러 후보 요약문을 생성하면, 이를 문장 단위 후보로 분해합니다. 이후 조합 선택기(combinatorial selector)가 명시적인 예산 제약 하에서 관련성, 사실성, 중복성의 균형을 맞추어 최종 요약본을 구성합니다. 이 프레임워크는 생성기를 재학습하지 않고도 MMR, ILP, DPP 기반 로그-행렬식(log-determinant) 목적 함수를 지원합니다. CNN/DailyMail, Multi-News, FaithBench, TofuEval에서의 실험 결과, 참조 요약문과의 중복 점수는 다소 낮아지지만, 특히 다중 문서 요약에서 사실성 및 출처 기반 그라운딩(source-grounding) 지표가 일관되게 향상됨을 보여줍니다. 정성 평가(human evaluation)에서도 일관성이 소폭 감소하는 대신 체감되는 일치성, 관련성, 명확성, 간결성이 더 높게 나타났습니다. 이러한 결과는 생성을 선택과 분리하는 것이 사실적 그라운딩을 향상시키는 모델 불가지론적(model-agnostic) 메커니즘을 제공함을 보여줍니다. 코드는 https://anonymous.4open.science/r/bcfs-D05E/ 에서 확인할 수 있습니다.