massey.ac.nz

이 이메일 도메인이 관측된 논문 6건

arXiv:2609.22647v1cs.CV

Math2Visual-X: 교육학적으로 정렬된 초등 저학년 수학 시각 자료 생성을 위한 모듈형 프레임워크

Math2Visual-X: A Modular Framework for Pedagogically Aligned Lower-Primary Math Visuals Generation

시각적 표현은 초등 저학년 학습자가 수학 문장제 문제(Math Word Problems, MWP)를 이해하는 데 도움을 줄 수 있지만, 교실에서 활용 가능한 수준의 시각 자료를 생성하는 것은 여전히 어렵습니다. 기존의 기호 기반(symbolic) 시스템은 제어 가능하지만 적용 범위가 제한적이며, 엔드투엔드(end-to-end) 텍스트-투-이미지 시스템은 정확한 수학적 제약 조건을 만족하지 못하는 경우가 많습니다. 본 논문에서는 더 넓은 문제 적용 범위와 확장 가능한 에셋 생성을 바탕으로 초등 저학년 MWP 생성을 지원하는 기호 기반 시각 자료 생성 프레임워크를 제시합니다. 이 프레임워크는 대규모 언어 모델(LLM) 기반 라우팅 층, 세 가지 워크시트 지향형 생성 모듈, 그리고 개방형 환경의 SVG 에셋 획득을 위한 두 가지 폴백(fallback) 메커니즘을 포함합니다. Math2Visual-X를 Stable Diffusion XL, Nano Banana, GPT Image와 비교한 인간 평가(human evaluation)에서 제안된 방법이 전반적으로 가장 우수한 성능을 달성한 것으로 나타났습니다. 이러한 결과는 본 프레임워크가 자동 MWP 시각 자료 생성을 위한 확장 가능하고 교육학적으로 기반을 둔 접근법을 제공함을 시사합니다.

arXiv:2605.17286v3cs.CV

HyperVision: 채널 적응형 지상 기반 초분광 비전 사전학습 백본

HyperVision: A Channel-Adaptive Ground-Based Hyperspectral Vision Pre-trained Backbone

초분광 영상(hyperspectral imaging)은 수백 개의 좁은 파장 대역에 걸쳐 풍부한 공간-스펙트럼 정보를 제공하여 정밀한 물질 식별을 가능하게 하지만, 지상 기반 초분광 사전학습 백본은 아직 존재하지 않는다. 이는 센서마다 다른 스펙트럼 구성, 제한적인 어노테이션과 이질적인 레이블링 방식, 그리고 기존 데이터셋의 제한된 규모와 장면 다양성 때문이다. 이러한 문제를 해결하고 범용 인지(universal perception)를 가능하게 하기 위해, 우리는 최초의 지상 기반 초분광 사전학습 백본인 HyperVision을 제안한다. 첫째, 다양한 스펙트럼 구성을 처리하기 위해 HyperVision은 채널 적응형 동적 임베딩 메커니즘을 채택하여 이질적인 입력을 통합된 토큰 공간으로 매핑한다. 둘째, 비지도 표현 학습 프레임워크를 개발한다. 구체적으로, 제한적인 어노테이션과 이질적인 레이블링 방식을 해결하기 위해 SAM2의 공간 구조와 HyperFree의 세밀한 스펙트럼 물질 정보를 융합하는 다중 소스 의사 레이블링(pseudo-labeling) 방법을 도입한다. 나아가 장면 다양성을 풍부하게 하고 제한된 데이터셋 규모를 보완하기 위해, 사전학습된 RGB 비전 모델의 풍부한 의미 표현을 우리의 백본으로 전달하는 교차 모달 지식 증류 메커니즘을 활용한다. 26개의 다양한 지상 기반 데이터셋에서 수집한 1만 5천 장의 이미지로 사전학습된 HyperVision은 뛰어난 일반화 성능을 보인다. 백본 파라미터를 조정하지 않고 효율적인 헤드 전용(head-only) 적응만을 요구함에도, 다양한 센서 구성 하에서 세 가지 다운스트림 태스크 전반에서 최신 태스크 특화 방법들을 능가하며, 초분광 시맨틱 분할의 $\mathrm{Acc}_{\mathrm{M}}$에서 최대 16.3%의 상대적 향상, 객체 추적 AUC에서 2.1%의 상대적 향상, 그리고 돌출 객체 검출(salient object detection) MAE에서 35.5%의 감소를 달성한다. 소스 코드와 사전학습된 모델은 https://github.com/lronkitty/HyperVision 에서 확인할 수 있다.

arXiv:2608.03647v1cs.IR

분포 외 추천을 위한 조건부 식별 가능한 잠재 환경 모델링

Conditionally Identifiable Latent-Environment Modeling for Out-of-Distribution Recommendation

분포 외(OOD, Out-of-Distribution) 추천은 잠재 환경으로 인해 유발되는 선호도 변화에 취약합니다. 기존 방법들은 기록된 상호작용으로부터 잠재 상태를 추론할 수 있지만, 잠재 환경의 통계적 의미와 그것이 선호도에 미치는 영향은 여전히 불명확하게 남아 있습니다. 본 논문에서는 이 과제를 조건부 식별 가능한 위험 인식 추천(CI-RR)으로 정형화하고, 조건부 식별 가능한 잠재 환경 추천(CILER)을 제안합니다. CILER는 사용자 조건부 지수족(exponential family)을 사용하여 잠재 환경을 모델링하고, 특징 기반 다항식을 통해 잠재 환경이 선호도를 어떻게 변화시키는지 명시합니다. 또한 추론된 환경 분포에 대해 아이템 확률을 주변화(marginalizing)하여 예측을 수행합니다. 충분한 변동성(sufficient variation), 올바른 명세화(correct specification), 디코더 정규성 조건 하에서 CILER는 명시된 동치류 범위 내에서 환경에 민감한 표현을 식별합니다. 더 나아가 환경 추론 오차를 통해 배포 환경에서의 초과 로그 위험(excess deployment log-risk)의 상한을 설정합니다. 통제된 실험을 통해 충분한 변동성과 모델 명세화의 관찰 가능한 영향을 검증합니다. 세 가지 데이터셋에 대한 실험 결과, CILER는 공유 서포트 내의 특징, 시간, 지리적 변화 조건에서 12개의 모든 OOD 랭킹 지표를 개선함을 보여줍니다.

arXiv:2608.01711v1cs.AI

에이전틱 하네스를 활용한 메타분석 종합용 실행 가능한 분석 지식 표현 구축

Constructing Executable Analytical Knowledge Representations for Meta-Analysis Synthesis Using an Agentic Harness

메타분석 종합(meta-analysis synthesis)은 지식 기반 과학 분석에서 근본적인 과제를 부각합니다. 구조화된 증거 자체만으로는 실행 가능한 계산에 필요한 분석 지식을 나타내지 못한다는 점입니다. 증거 할당, 분석적 대비, 결과 및 시점 정렬, 효과 크기(effect-size) 공식화, 방법론적 허용 가능성에 대한 결정은 통계적 실행 전에 명시되어야 합니다. 기존의 자동화 접근 방식은 이러한 결정을 독립적으로 검증 가능한 지식으로 표현하기보다는 모델(model) 출력, 생성된 코드 또는 워크플로 추적 내에 내재시키는 경우가 많습니다. 본 논문에서는 구조화된 증거를 실행 가능한 메타분석으로 변환하는 데 필요한 지식을 기계가 실행 가능한 형태로 나타낸 EAKR(Executable Analytical Knowledge Representation, 실행 가능한 분석 지식 표현)을 제안합니다. EAKR은 증거, 관계, 수치 입력, 제약 조건, 출처(provenance) 및 해결되지 않은 문제를 표현합니다. 저자들은 대규모 언어 모델(LLM)이 구조화된 업데이트를 제안하고 결정론적 서비스가 스키마 및 계약 기반 검증(validation)과 실행을 제어하는 에이전틱 하네스인 MetaSynDec을 통해 EAKR을 구현합니다. 58개의 종합 단위에 걸쳐 MetaSynDec은 모든 EAKR을 구축했으며, 그중 57개가 통계적 실행 단계로 진행되었습니다. 참조 분석 객체를 정의하기에 충분한 정보를 가진 56개 단위 중 38개(67.9%)에서 완전한 객체 충실도를 달성했고, 42개(75.0%)에서 정확한 증거 세트 일치를 보였으며 평균 자카드 유사도(Jaccard similarity)는 0.909를 기록했습니다. 생성된 신뢰구간과 발표된 신뢰구간은 55개 단위 중 54개(98.2%)에서 겹쳤습니다. MetaSynDec은 참조 종합-구조 일치(58개 중 57개 대 58개 중 23개; p<0.001) 및 공동으로 완료된 23개 단위 중 정확한 참조-공식화 일치(23개 중 23개 대 23개 중 1개; p<0.001)에서 직접 LLM 생성 방식보다 우수한 성능을 보였습니다. 이러한 연구 결과는 EAKR이 직접 LLM 생성 방식에 비해 형식적 검증, 추적 가능성, 통계적 실행, 그리고 향상된 방법론적 일치를 지원한다는 타당성 증거를 제공합니다.

arXiv:2507.16974v3cs.CL

농업 분야에서 다국어 LLM을 활용한 질의응답을 위한 합성 데이터 활용

Leveraging Synthetic Data for Question Answering with Multilingual LLMs in the Agricultural Domain

농민들이 모국어로 정확한 농업 관련 정보에 적시에 접근할 수 있도록 지원하는 것은 농업 분야의 성공에 매우 중요합니다. 공개적으로 사용 가능한 범용 대규모 언어 모델(LLM)은 일반적으로 일반적인 농업 자문을 제공하여 지역적 및 다국어 맥락에서의 정밀도(precision)가 부족합니다. 본 연구는 인도의 농업 특화 문서로부터 다국어(영어, 힌디어, 펀자브어) 합성 데이터셋을 생성하고 질의응답(QA) 태스크를 위해 LLM을 미세조정(fine-tuning)함으로써 이러한 한계를 해결합니다. 사람이 작성한 데이터셋에 대한 평가(evaluation) 결과, 미세조정된 LLM은 기준선(baseline) 모델에 비해 사실성, 관련성 및 농업적 합의 측면에서 상당한 향상을 보이는 것으로 나타났습니다.