loyola.edu

이 이메일 도메인이 관측된 논문 2건

arXiv:2610.02704v1cs.AI

대규모 환경에서의 레이블 효율적 시계열 분류: 반사실적 귀속을 적용한 이중 스트림 OSSE-LSTM

Label-Efficient Time Series Classification at Scale: A Dual-Stream OSSE-LSTM with Counterfactual Attribution

시계열 데이터는 산업 장비, 웨어러블 기기, 전력망, 임상 모니터 등에서 엄청난 규모로 끊임없이 생성되지만, 주석 작업은 여전히 수작업에 의존하며 비용이 많이 들고 전문가를 필요로 합니다. 따라서 대규모 시계열 분석의 결정적인 병목은 데이터 양이 아니라 레이블의 양이며, 실무자가 마주하는 질문은 구체적입니다. 즉, 분류기가 실용성을 갖추려면 클래스당 몇 개의 예시에 레이블을 지정해야 하는가입니다. 본 연구에서는 레이블 공간이 고정되어 사전에 알려져 있으며, 클래스당 단 K개의 레이블된 예시만으로 결정 규칙을 구성해야 하는 조건에서 이 문제를 직접 탐구합니다. 우리는 데이터셋별 커널 튜닝 없이도 다중 스케일 모티프 추출을 수행하는 Squeeze-and-Excitation 재보정 결합 Omni-Scale CNN과, 전역적 시간적 맥락을 포착하는 양방향 LSTM을 결합한 에피소드식 메트릭 학습(metric learning) 프레임워크인 Dual-Stream OSSE-LSTM을 제안합니다. 두 스트림은 독립적으로 정규화된 후 프로토타입 지향 임베딩으로 융합됩니다. 또한 소수의 레이블로부터 도출된 결정은 설명 가능해야 하므로, 개별 분류기 로짓 대신 타깃 클래스와 반대 클래스 간의 프로토타입 마진을 귀속시키고 그 결과 맵을 인코더 업데이트 없이 테스트 시점 프로토타입 개선을 위한 소프트 마스크로 재사용하는 반사실적 통합 그래디언트(C-IG)를 도입합니다. 19개의 단변량 UCR 데이터셋에서 OSSE-LSTM은 모든 서포트 크기에서 가장 높은 평균 정확도와 데이터셋별 승수를 달성했으며, 해당 범위 전반에 걸쳐 정확도가 0.36%포인트 범위(96.36-96.72%) 내에서 안정적으로 유지되었습니다. 가장 낮은 성능의 구성조차 비교 대상 기준선 모델이 임의의 K에서 기록한 최고 결과(93.99%)를 상회합니다.

arXiv:2604.10925v2cs.HC

제어 가능한 LLM 생성을 위한 단어에서 위젯으로

From Words to Widgets for Controllable LLM Generation

자연어는 여전히 사람들이 대규모 언어 모델(LLM)과 상호작용하는 주된 방식이다. 그러나 사용자는 프롬프팅을 통해 주관적 선호(예: 어조, 스타일, 강조)를 정확하게 표현하고 제어하는 데 종종 어려움을 겪는다. 우리는 제어 가능한 LLM 생성을 위한 새로운 대화형 프롬프팅 기법인 Malleable Prompting을 제안한다. 이 기법은 자연어 프롬프트 속 선호 표현을 GUI 위젯(예: 슬라이더, 드롭다운, 토글)으로 구체화하여, 사용자가 이를 직접 설정해 생성을 유도할 수 있게 하며, 각 제어가 출력에 미치는 영향을 시각화하여 반복 간 귀속과 비교를 지원한다. 이 상호작용을 가능하게 하기 위해, 우리는 선호 표현과 해당 위젯 값에 따라 생성 중 토큰 확률 분포를 조절하는 LLM 디코딩 알고리즘을 도입한다. 사용자 연구를 통해, Malleable Prompting이 참가자가 목표 선호를 더 정확하게 달성하도록 돕고, 자연어 프롬프팅만 사용할 때보다 더 제어 가능하고 투명하다고 인식된다는 것을 보여준다.