pku.org.cn

이 이메일 도메인이 관측된 논문 4건

arXiv:2609.22246v1cs.CL

합의 착시: 뉴스가 많아질수록 LLM 예측은 덜 정확해진다

The Corroboration Illusion: When More News Makes LLM Forecasts Less True

대규모 언어 모델(LLM)은 뉴스를 검색하고 이를 바탕으로 추론하여 실제 사건을 예측하는 데 점점 더 많이 활용되고 있다. 본 연구는 개방적이고 크롤링 가능한 뉴스 코퍼스에 대한 이러한 의존성이 새로운 공격 표면을 만든다는 점을 보인다. 검색기, 모델, 사용자 쿼리에 접근할 수 없고 단지 기사를 게재할 수만 있는 공격자도 예측기의 출력 확률을 체계적으로 움직일 수 있다. 우리는 확률적 예측기에 대한 뉴스 코퍼스 오염(news-corpus poisoning)을 형식화하는데, 이는 보정된 확률이 아니라 사실적 답변이나 의견의 극성을 겨냥하는 기존 RAG 오염과는 구별되는 위협 모델이다. 우리는 엄격한 크롤링 날짜 기준을 적용한 1,740만 건 규모의 Common Crawl News 코퍼스를 대상으로, 오픈 7-8B 모델 기반의 검색-증강 예측기 3종을 사용하여 해결이 완료된 ForecastBench 질문 500개에 대해 이 공격을 평가한다. 질문당 LLM이 작성한 기사 한 편만으로도 예측의 56%가 0.5 경계를 넘어 뒤집히며, 기사 다섯 편은 69-73%를 뒤집고 중립 기사 플라시보를 제외한 순수 효과로 확률을 +0.13에서 +0.22만큼 이동시켜 Brier 점수를 0.18에서 0.37로 악화시킨다. 이 효과는 주입된 기사의 수, 검색 순위, 쿼리 유사도, 컨텍스트 점유 비율에 따라 단조롭게 증가하고, 모델 계열 간에도 전이되며, 표기된 발행처와는 무관하다. 이어 출처 허용 목록, 격리 후 집계 방식의 예측, 퍼플렉서티 필터링이라는 세 가지 자연스러운 방어책을 평가하고, 각각 위조된 발행처, 다수 오염, 더 높은 온도(temperature)의 생성이라는 저비용 우회 방법이 있음을 보인다. 이러한 결과는 확률적 LLM 판단이 자신이 소비하는 정보 공급망의 취약성을 고스란히 물려받는다는 점을 시사한다.

arXiv:2609.24367v1cs.CV

TReViS: 자기지도 반복 동작 계수를 위한 시간적 반복 구조 인식 비디오 합성

TReViS: Temporal Repetition Structure Aware Video Synthesis for Self-supervised Repetitive Action Counting

완전 지도 방식의 반복 동작 계수(Repetitive Action Counting, RAC)는 뛰어난 성능을 달성했지만, 비용이 많이 들고 확장이 어려운 조밀한 시간적 주석(annotation)을 필요로 한다. 우리는 반복 레이블 없이 RAC 모델을 학습시킬 수 있는 자기지도(self-supervised) 비디오 합성 프레임워크인 TReViS를 제안한다. TReViS는 레이블이 없는 비디오의 근본적인 시간적 반복 구조를 시간적 자기 유사도 행렬(Temporal Self-Similarity Matrix)을 통해 추정하고, 그 주기 통계를 추론한 뒤, 현실적인 반복 패턴을 보존하면서도 통제된 시간적 변동성을 도입한 새로운 학습 시퀀스를 합성한다. 이렇게 합성된 비디오는 의사 레이블(pseudo-label)과 짝을 이루어 기존 RAC 아키텍처를 처음부터 학습시키는 데 사용된다. 여러 데이터셋과 백본(backbone)에 걸쳐, TReViS는 기존의 자기지도 방법들을 일관되게 능가하며 완전히 레이블 없이도 여러 지도 학습 기준선(baseline)과 견줄 만한 성능을 달성함으로써, 레이블 없는 RAC를 위한 구조 인식 비디오 합성의 효과를 입증한다. 소스 코드는 https://github.com/yfqi/TReViS 에서 확인할 수 있다.

arXiv:2609.19853v2cs.CV

PACE: 정밀한 AI 영화적 표현

PACE: Precise AI Cinematic Expression

각본과 영화 사이에는 무엇보다 공간적인 계획 문제가 존재합니다. 즉, 누가 어디에 서 있고, 카메라가 서 있는 위치에서 무엇을 보는지에 관한 것입니다. 자유 텍스트로 샷을 요청받은 이미지 확산 모델(image diffusion model)은 자체 기본값을 통해 해당 계획을 결정합니다. 우리는 이러한 계획을 위한 타입 기반 표현(typed representation)인 PACE(Precise AI Cinematic Expression)를 제시합니다. 이는 각본의 근거, 필요한 등장인물, 소품 및 로케이션, 각 피사체가 서 있는 위치, 그리고 카메라가 수행하는 작업을 포함합니다. 값은 그것이 속한 레벨(스크립트, 씬, 샷 또는 패널)에서 한 번 작성된 후 하위 레벨로 상속됩니다. 컴파일러는 그 결과를 확산 모델로 전송되는 프롬프트와 미터 단위로 구축된 3D 씬으로 모두 변환하며, 카메라 솔버는 선언된 프레이밍이 실제 구축된 프레이밍이 되도록 카메라를 배치합니다. 선언된 값이 기하학적 형태(geometry)가 되는 지점에서, PACE는 모델에게 판단을 요청하는 대신 컴파일된 카메라와 연출된 렌더가 선언된 값에서 얼마나 벗어나 있는지를 필드별로 측정합니다. 11개 씬으로 구성된 Automatic Drive 각본에서 연출된 모든 단일 피사체 패널은 피사체를 선언된 위치의 프레임 너비 기준 1.2% 이내에 배치합니다. 피사체가 2~3명인 경우 단일 카메라 포즈로 모든 위치를 만족할 수 없으므로, 오차는 흡수되지 않고 잔차로 보고됩니다. 204개의 외부 감독 스토리보드 샷에서 도출된 머리 높이는 감독의 말로부터는 연출 목표의 1.906배, 컴파일된 프롬프트로부터는 1.733배, 그레이박스(greybox) 제어를 사용했을 때는 0.955배로 나타났습니다. 즉, 프레이밍을 가장 잘 유지하는 조건이 묘사된 동작을 가장 적게 묘사합니다. 30개 샷에 대해 포즈를 선언하면 프레이밍을 변경하지 않고도 묘사된 동작 표현 비율이 58.9%에서 74.4%로 증가합니다. 트랜지션, 적합 모션, 그리고 생성된 패널에 대한 인간 검토는 향후 과제로 남아 있습니다. 코드: https://github.com/StudioPiLabs/pace-core

arXiv:2608.29133v1cs.CL

AI Historian: 분산된 역사 서술에서 인물 중심 시간적 단서를 정리하고 검증하는 역사가 지원

AI Historian: Helping historians organize and verify person-centred temporal clues from dispersed historical narratives

역사는 완전하고 연속적인 형태로 보존되지 않는다. 한 인물의 활동, 관계, 역사적 맥락에 대한 기록은 텍스트, 장, 서술 관점에 걸쳐 흩어져 있으며, 역사가는 이러한 자료를 검색·식별·비교하여 시간적 순서를 재구성하고 출처에 대해 이를 검증해야 한다. 본 연구에서는 분산된 전기적 서술에서 인물-시간 증거를 정리하는 데 역사가를 돕는 AI 에이전트 시스템인 AI Historian(AIH)을 제시한다. AIH는 출처 문장을 증거 단위로 삼고, 인물과 시간적 단서를 식별하며, 후보 교차-텍스트 연관을 검증하고, 추적 가능한 출처 텍스트 증거를 보존하면서 비교 가능한 시간 범위를 추론한다. 유방, 항우, 소허와 관련된 『사기(史记)』 사례 6건에서 AIH를 평가했다. AIH 에이전트는 temporal-localization MicroIoU 86.2%를 달성했으며, 이는 인간 단독 주석 81.3%, 대규모 언어 모델(LLM) 직접 프롬프팅 17.1%에 비해 높다. 소요 시간은 약 14분으로, 인간 단독 주석의 1시간 32분보다 짧았다. 또한 AIH를 『이십사사(二十四史)』 및 기타 고대 중국 역사, 고대 일본·한국 역사, 근·현대 역사 자료에 적용했고, Westlake Historian을 통해 결과를 공개했다. 이 결과는 AIH가 대규모로 역사 자료를 정리하는 비용을 줄일 수 있음을 보여 주며, 장 단위 서술에 가려진 연결을 추적·수정 가능한 연구 질문으로 바꿔 공동 검증에 활용할 수 있음을 시사한다.