PyTorchKR Papers

최신 논문

총 24,492편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 카테고리 구독

arXiv:2608.01802v2cs.AI

CoNav-UAV: 슈타켈버그 학습을 통한 협력적 이중 고도 공중 내비게이션

CoNav-UAV: Cooperative Dual-Altitude Aerial Navigation via Stackelberg Learning

항공 탐색 임무에서는 무인 항공기(UAV)가 대상의 외형과 주변 환경에 대한 짧은 설명만으로 목표물을 찾아야 하는 경우가 많으며, 이를 목표 지향 항공 시각-언어 내비게이션(VLN)이라 한다. 이 과제는 도시 규모의 탐색과 그라운딩, 그리고 충돌 없는 근거리 접근을 요구하는데, 이 두 가지 맞물린 과정은 단일 에이전트 안에서 조화시키기 어렵다. 대부분의 기존 방법은 지상 VLN 패러다임을 단일 UAV에 맞게 적용하고, 그 비효율을 보완하기 위해 외부 지원에 의존한다. 최근의 한 시도는 상호 보완적인 고도에 두 대의 UAV를 배치하지만, 여전히 특권적 센싱에 의존하며 두 에이전트를 독립적으로 학습시켜 상호 적응을 불가능하게 한다. 본 논문은 CoNav-UAV를 제안한다. 이는 두 에이전트 모두 온보드 센싱만 사용하는 가운데, 고고도 리더와 저고도 팔로워 사이의 순차적 의사결정과 비대칭적인 관측 및 효용을 포착하기 위해 과제를 슈타켈베르크 게임으로 모델링한다. 또한 각 에이전트의 역할에 맞게 최적화를 조정하는 반복적 슈타켈베르크 학습(Iterative Stackelberg Learning)을 도입한다. 리더의 상위 수준 시각-언어 추론은 사전학습된 능력에 기반하며 메모리 기반 인컨텍스트 학습을 통해 정제되고, 팔로워의 정밀한 동작 제어는 DAgger 방식의 전문가 증류를 통해 미세조정된다. 두 업데이트를 번갈아 수행함으로써 각 에이전트는 상대의 변화하는 행동에 지속적으로 적응한다. CoNav-UAV는 AerialVLN 벤치마크의 고충실도 도시 장면 세 곳에서 단일 및 이중 에이전트 기준선을 능가한다. 학습 장면에서는 성공률을 최대 30.8 포인트, 리더가 학습된 메모리를 재사용하고 팔로워가 목표 장면 데이터를 2.6-3.7배 적게 사용하여 적응하는 교차 장면 전이에서는 최대 9.0 포인트 향상시킨다. 광범위한 절제 실험은 핵심 구성 요소의 기여와 상호 적응의 이점을 확인해 주며, VLM 백본 전반에서 일관된 향상을 보인다.

arXiv:2607.27084v4cs.CV

SciFigQual-Bench: 원고 연계 맥락을 활용한 과학 그림 품질 평가

SciFigQual-Bench: Scientific Figure Quality Assessment with Manuscript-Linked Context

과학 그림의 품질은 원고와 결부되어 있다. 잘라낸 그림이 시각적으로 선명하더라도 그 캡션이나 이를 인용하는 문단과 모순될 수 있다. 대부분의 이미지 품질 평가 및 차트 이해 방법은 그림, 캡션, 인용 텍스트 간의 정합성이 아니라, 분리된 시각적 표면이나 질의응답 점수를 대상으로 한다. 이미지와 텍스트를 함께 보는 단일 종단간 프롬프트는 여전히 눈에 보이는 것과 캡션 및 인용 문단이 주장하는 것을 뒤섞기 때문에, 유창한 문구가 시각 점수를 높일 수 있고 텍스트가 없으면 낮은 품질로 취급될 수 있다. 이러한 간극을 해소하기 위해 본 논문은 SciFigQual-Bench를 제안한다. 이는 출판된 CS 학회 논문의 그림을 대상으로 하는 원고 연계 벤치마크로, 각 그림을 캡션 및 색인으로 확인된 인용 문단과 연결하고, 시각적 명료성, 레이아웃, 캡션 일관성, 맥락 일관성, 오해 유발 위험을 점수화하며, 근거가 없는 차원은 평가하지 않은 채로 둔다. SFQ-Agent는 이미지와 텍스트를 별도의 호출로 읽고 모달리티별 근거를 기록한다. 교차 모달 판정기는 이 보고서들로부터 캡션 및 인용 텍스트와의 정합성을 점수화하고, 결정론적 실행기는 시각 점수를 유지하며 고정된 규칙으로 오해 유발 위험을 정하고 명시된 상한을 적용하므로, 각 차원은 단일 종단간 프롬프트가 아니라 평가 기준을 따른다. 이 단계별 판정기를 단일 패스 및 OCR 보조 프로토콜과 비교한 실험에서, 단계별 판정 하에서 인간 평가 평균에 대한 점추정 적합도가 가장 가까웠으나 프로토콜 간 차이는 작게 유지되었다. 캡션 일관성은 여전히 주요한 격차로 남아 있으며, 평가자 평균과의 일치도는 인간 평가자 간 일치도와는 다른 질문에 답한다. 프로젝트 페이지: https://frankdengai.github.io/SciFigQual-Bench/

arXiv:2607.24512v2cs.AI

대규모 언어 모델 통합을 통한 수학적 지식의 설명 가능성·접근성·상호운용성 확보

Making Mathematical Knowledge Explainable, Accessible and Interoperable Through Large Language Model Integration

수학적 모델은 연구 문제를 형식화하는 데 핵심적이지만, 그 문서화는 흔히 FAIR 원칙에 미치지 못한다. 수학 모델 데이터베이스(MathModDB)와 같은 지식 베이스는 선별되고 의미적으로 풍부한 수학적 모델 표현을 제공함으로써 이러한 간극을 해소한다. Wikidata의 기반이 되는 동일한 오픈소스 인프라인 Wikibase 위에 구축된 MathModDB는 시맨틱 웹 기술을 활용하여 연결된 개방형 데이터, 협업 편집, 의미적으로 풍부해진 메타데이터의 저장을 지원하며, 이로써 더 넓은 Wikidata 생태계 내의 특정 도메인 지식 그래프가 된다. 그러나 현재 MathModDB에 접근하려면 복잡한 웹 인터페이스를 탐색하거나 SPARQL 및 Wikibase API에 능숙해야 하므로 잠재적 사용자에게 상당한 장벽이 된다. 게다가 이러한 선별된 지식 베이스를, 예를 들어 Dataverse 저장소 인스턴스에 저장된 실제 연구 데이터와 결합하는 일도 여전히 과제로 남아 있다. 이러한 한계를 극복하기 위해, 본 논문은 벡터 색인 기반 스키마 검색과 슈타이너 트리 기반 조인 계획기를 제공하는 모델 컨텍스트 프로토콜(MCP) 서버를 통해 대규모 언어 모델(LLM)을 MathModDB와 통합하는 방안을 제안하며, 이는 대화 기반 자연어 상호작용을 선별되고 인식론적으로 근거가 확보된 지식과 결합한다. 이 아키텍처는 MathModDB에서 구현되었지만 다른 Wikibase 기반 시스템에도 적용할 수 있다. 우리는 이 접근법이 인식론적으로 근거가 확보된 LLM 활용을 가능하게 하고, 표준 Wikibase 인터페이스가 제공하는 수준을 넘어 모델의 설명 가능성과 접근성을 향상시키며, Dataverse 데이터 저장소와 같은 외부 데이터베이스 및 도구와의 상호운용성을 단순화함을 보인다. 두 가지 사용 사례를 통해 MCP 프로토콜의 적응성을 바탕으로 LLM의 접근성과 선별된 지식 베이스의 인식론적 안전성을 결합했을 때의 이점을 설명한다.

arXiv:2607.23624v5cs.SE

에이전트 기반 소프트웨어 개발에서 서드파티 API 라우터의 비용은 어디에 있는가?

Where Is the Cost of Third-Party API Routers in Agentic Software Development?

서드파티 API 라우터는 점차 다양해지는 대규모 언어 모델(LLM) 제공자에 대한 접근을 일원화하는 일반적인 층(layer)으로 자리 잡았습니다. 코딩 에이전트(agent) 워크플로에서는 상호작용 오버헤드를 줄여주기 때문에 높은 자율성의 운영 방식이 널리 채택되고 있습니다. 그 결과, 에이전트와 업스트림 제공자 사이에 위치하는 서드파티 API 라우터는 필연적으로 신뢰 경로(trusted path)를 차지하게 됩니다. 이 라우터는 모든 요청과 응답을 검사하고 수정할 수 있지만, 제공자의 출력과 에이전트에 의해 궁극적으로 실행되는 저장소 수준의 동작 간의 정렬(alignment)을 검증하는 메커니즘은 존재하지 않습니다. 따라서 클라이언트 측 권한 메커니즘은 실제로 무력화될 수 있습니다. 이러한 제어 공백이 소프트웨어 개발 작업에 실제로 감지하기 어려운 영향을 미치는지 여부는 실증적으로 측정되지 않은 채로 남아 있습니다. 본 논문에서는 점진적으로 정교해지는 네 가지 수준의 개입, 즉 응답 대체(L1), 응답 추가(L2), LLM 다듬기 주입(L3), 분포 정렬을 포함한 LLM 다듬기 주입(L4)을 검토하며 코딩 에이전트의 라우터 측 주입에 대한 실증적 연구를 수행합니다. 또한, 400개 샘플로 구성된 정제된 데이터셋(dataset)과 함께 트레이스 기록, 재생, 주입 및 방어 평가를 위한 프레임워크인 SIDEL을 개발합니다. 네 가지 대표적인 코딩 에이전트를 평가하고, 화이트리스트 기반 실행 제어 및 LLM 검토를 추가로 평가합니다. 라우터 측의 개입은 저장소 수준의 동작을 실질적으로 변화시키며, 기존 클라이언트 측 보호 장치로는 감지하기 어렵습니다. 추가적인 완화 조치가 없을 경우, 평가된 모든 에이전트는 모든 주입 수준에 걸쳐 0%의 방어 성공률을 기록했습니다. 클라이언트 측 완화책과 사후 검토는 저항성을 향상시키지만 엔드투엔드 제어를 완전히 복원하지는 못하며, 이는 제공자 측의 출력 무결성 보장이 필요함을 시사합니다. 저희 코드는 https://github.com/Riyasushin/SIDEL 에서 이용할 수 있습니다.

arXiv:2607.18553v4cs.LG

루프형 언어 모델의 작동적 원시 내성: 답변 이전에 정답 여부 읽기

Operational Proto-Introspection in Looped Language Models: Reading Correctness Before the Answer

언어 모델이 추론하는 도중에 그 답이 맞을지 알 수 있는가? 루프형 모델은 이를 묻기에 적합한 대상이다. 토큰마다 동일한 층을 여러 번 실행하므로 루프마다 프로브가 읽을 수 있는 은닉 상태가 하나씩 남기 때문이다. 나는 2.6B 파라미터 루프형 모델인 Ouro-RLTT를 프로빙하여, 이 상태들이 추론이 어떻게 끝날지에 대해 무엇을 드러내는지 조사한다. 이러한 정보를 작동적 원시 내성(operational proto-introspection)이라 부른다. 프로브가 읽을 수 있는 것으로 정의되므로 작동적이고, 모델 자체가 이를 사용한다는 것은 여기서 보이지 않으므로 원시적이다. 부분적으로는 그렇다. 아직 답을 말하지 않은 응답에서 추론의 처음 48개 토큰을 읽을 때, 은닉 상태에 대한 프로브는 합성 논리 과제에서 AUROC 0.758에 도달하며, 토큰 신뢰도의 0.515와 대비된다. 질문 난이도는 경쟁 설명이다. 추가 1,164개 질문에서 토큰 신뢰도에 질문의 단순한 특징을 더한 예측기도 비슷한 수준으로 예측한다. 그러나 난이도만의 문제는 아니다. 같은 질문에 대한 두 답변 사이에서 프로브는 74%의 경우 정답에 더 높은 점수를 부여한다. 같은 토큰을 읽는 미세조정된 언어 모델도 비슷한 수준의 성능을 보인다. GSM8K와 두 번째 체크포인트에서는 이 질문 내 검정이 해결되지 않는다. 완성된 후보 답변의 순위를 매기는 프로브는 네 개의 Ouro 체크포인트에서 8층의 첫 번째 루프에서는 약하고, 두 번째 루프에서는 훨씬 좋으며, 세 번째 루프에서는 마지막 층만큼 정확하다. 프로브가 읽는 방향은 루프 간에 대체로 공유된다. 마지막 루프에서 학습한 프로브는 첫 번째 루프에서 직접 학습한 프로브와 거의 비슷하게 첫 번째 루프를 읽는다. 이 신호는 완성된 출력을 어떻게 처리할지 결정하는 데 도움이 된다. 표면적 특징보다 기권(abstention)을 개선하고 후보 중에서 우연보다 나은 수준으로 정답을 고르지만, 표면적 특징도 비슷한 수준으로 고른다. 여러 표본이 완성되고 나면, 그 표본들의 일치도를 아는 기준선은 답변 비의존 프로브가 더할 측정 가능한 것을 남기지 않는다. 이를 이용해 모델이 더 나은 답을 생성하도록 하려는 나의 시도는 어느 것도 효과가 없었다.

arXiv:2607.14256v2cs.AI

멀티모달 안전성을 위한 불일치 기반 에이전트형 데이터 큐레이션

Disagreement-Guided Agentic Data Curation for Multimodal Safety

멀티모달 환경에서 문서화된 안전 정책은 시각적 경계가 다양한 맥락에 걸쳐 있는 범주를 정의한다. 우리는 유용한 합성 경계 사례를 식별하는 신호로서 불일치를 연구한다. 우리의 파이프라인은 정책 조건부 이미지를 생성하고, 대상–평가자 간 또는 평가자 간 불일치가 있는 사례를 선별하며, 해결되지 않은 사례를 조건에 따라 상위 단계로 넘기고, 그 결과 평가자가 레이블링한 예시를 문맥 내 시연 예시로 검색한다. 실패 사례가 풍부한 멀티모달 안전성 벤치마크에서 정책 기반화는 거짓 음성률(FNR)을 0.875에서 0.413으로 낮추고 F1을 0.220에서 0.731로 높이며, 불일치로 선별한 50개 예시에서의 검색은 FNR을 0.245로 추가로 낮추는데, 이는 350개 예시의 일반 풀에서의 0.297과 비교된다. 선별된 메모리는 다른 대상 모델 계열도 개선하며, 정련된 정책을 가진 독점 벤치마크에서는 더 작은 향상을 보인다. 블라인드 인간 연구에서 전문가들은 불일치 기반 이미지의 24%와 기준선 방식으로 큐레이션한 이미지의 17%에서 의견이 갈린다. 이러한 결과는 멀티모달 안전성 평가와 예시 선택을 위한 추적 가능한 불일치 기반 큐레이션을 뒷받침한다.

arXiv:2607.13796v3cs.IT

기하학적 부호화 정리

A Geometric Coding Theorem

본 논문은 대칭군 설정에서 고전적 부호화 정리(Coding Theorem)의 직접적인 유사물을 확립한다. 이진 문자열 집합 위의 계산 가능한 전단사 함수를 고려하고, 문자열 x의 대칭 사전확률(symmetry prior)을 주어진 군 G에서 무작위로 선택한 대칭이 x를 유일한 고정점으로 가질 확률로 정의한다. 우리는 임의의 고정 수축 가능(fix-retractable) 대칭군 G, 즉 모든 문자열에 대해 고립 대칭을 선택하는 계산 가능한 단면(section)을 허용하는 군에 대해, 대칭 사전확률이 보편적인 하반계산 가능 준측도임을 보인다. 이 경우 기하학적 부호화 정리가 성립한다. 이 결과는 해당 문자열을 유일한 고정점으로 갖는 대칭으로 문자열을 기술하는 복잡도가 그 콜모고로프 복잡도와 같음을 보인 Trejo, Kreinovich, Longpré의 정리를 부호화 이론적으로 다시 서술한 것이다. 우리의 기여는 이를 알고리즘적 확률의 관점에서 재구성하고 대칭군을 매개변수로 다루며, 대칭 복잡도가 콜모고로프 복잡도로 붕괴하는 정확한 조건으로서 고정 수축 가능성을 규명한 데 있다.

arXiv:2607.11263v4cs.AI

유동 지능 연구에 규칙 귀납을 되돌릴 것인가? 인간에서 ARC-AGI 벤치마크의 초기 검증

Bringing Back Rule Induction to Fluid Intelligence Research? An Initial Validation of the ARC-AGI Benchmark in Humans

유동 지능(gf) 측정에 대한 두 가지 경쟁적 관점은 수행이 주로 작업 기억 용량에 의해 제약되거나, 새로운 관계를 귀납하는 능력에 의해 제약된다고 제안한다. 첫 번째 관점은 제한된 반복 규칙 집합을 사용하는 데서 드러나듯 현재 측정에서 지배적이며, 두 번째 관점은 많은 정의에 반영되어 있지만 측정에서는 거의 나타나지 않는다. ARC-AGI 벤치마크는 주로 규칙 귀납을 요구하며, 인간과 인공 시스템 모두를 위한 gf의 측정 도구로 제안되었다. 그러나 그 심리측정학적 속성은 아직 인간 표본에서 검토되지 않았다. 따라서 우리는 100명의 참가자를 대상으로 한 첫 번째 연구에서 ARC-AGI의 심리측정적 특성과 법칙망(nomological network)을 조사했다. ARC-AGI 문항을 모은 세트는 양호한 심리측정적 속성을 보였고, 도형 추론 검사로 측정한 도형적 유동 지능과 상당한 상관을 보였다($\rho$ = .63). 도형적 독창성과의 연관은 약했다. 이러한 결과는 인간 유동 지능의 측정 도구로서 ARC-AGI의 타당성에 대한 초기 근거를 제공한다. 향후 연구에는 더 많은 규칙 귀납 과제와 추가적인 다변량 공변인이 포함되어야 한다. 이 연구는 원래 기계를 위해 설계된 과제를 인간에게서 연구한다는 점에서 이례적이다. 우리는 보다 체계적인 평가와 학제 간 협력을 가능하게 하기 위해 AI 벤치마크를 인간 인지 능력의 법칙망에 체계적으로 포함시킬 것을 제안한다.

arXiv:2607.10059v2cs.AI

AgentAbstain: LLM 에이전트는 언제 행동하지 말아야 할지 알고 있는가?

AgentAbstain: Do LLM Agents Know When Not to Act?

대규모 언어 모델(LLM) 기반 에이전트 시스템은 자율적 작업에 점점 더 많이 활용되고 있지만, 기존 평가는 에이전트가 언제 행동을 삼가야 하는지 파악하는 능력보다 작업 성공 여부에 주로 초점을 맞춰왔다. 이 격차는 실질적인 위험을 초래한다. 모호한 상황, 상충하는 제약 조건, 또는 도구 오류 하에서 에이전트는 의도하지 않은 되돌릴 수 없는 행동을 실행할 수 있다. 이 격차를 해소하기 위해 우리는 에이전트적 행동 절제(agentic abstention)에 대한 최초의 체계적 평가 프레임워크를 제시한다. 행동 절제란 도구를 사용하는 LLM 에이전트가 언제 행동하지 말아야 하는지를 인식하는 보정된 능력을 의미한다. AgentAbstain의 핵심은 실행 전 추론과 런타임 발견에 걸친 8가지 행동 절제 시나리오의 에이전트 고유 분류 체계를 기반으로 구축된 쌍(paired) 작업 벤치마크이다. 이 벤치마크는 42개의 실행 가능한 샌드박스 환경에 걸쳐 263개의 쌍 작업을 포함하며, 각 쌍은 행동해야 하는(should-act) 작업과 명령어, 도구, 또는 환경 상태에 대한 통제된 변형을 통해 생성된 행동을 삼가야 하는(should-abstain) 변형 작업으로 구성된다. 이 쌍 설계를 확장하고 데이터 오염에 저항하기 위해 우리는 AbstainGen을 제안한다. AbstainGen은 샌드박스 환경을 합성하고 쌍 작업을 종단간(end-to-end)으로 생성하는 완전 자동화 파이프라인으로, 결정론적 재현(replay)과 의미론적 LLM 판정기(judge)로 검증된다. 새로운 작업 인스턴스는 요청 시 재생성할 수 있으며, 세 명의 독립적인 주석자가 샘플링된 작업의 94~98%를 잘 설계된 것으로 평가하였다. 4개의 에이전트 하네스에서 17개의 최신 LLM을 평가한 결과, 가장 우수한 에이전트(Gemini 3.1 Pro)도 쌍 정확도(act와 abstain 양쪽 모두 정확히 처리) 59.5%에 그쳤다. 더 중요한 점은, 행동 절제 능력이 일반적인 작업 해결 능력과 대체로 독립적이라는 것으로, 작업 해결 능력만을 스케일링하는 것으로는 이 격차를 해소할 수 없음을 시사한다. 우리는 또한 사후 절제(post-hoc abstention)와 같은 실패 유형을 규명하는데, 이는 에이전트가 절제 트리거를 인식하기 전에 되돌릴 수 없는 행동을 실행하는 현상이다. 코드와 데이터셋은 agentabstain.github.io에서 오픈소스로 공개되어 있다.

arXiv:2607.01919v2cs.AI

ElephantAgent: Contextual State Continuity in Agentic Systems

Agentic systems enhance their capabilities by invoking external tools and maintaining persistent memory. However, recent tool and memory poisoning attacks can covertly bias agent behavior. We observe that such attacks mounted out of band share a single enabler: each succeeds only by presenting the agent with a contextual state (e.g., tool state and memory) that is not the latest faithfully evolved one. This observation suggests that a continuity check over the contextual state covers this family of attacks. We present ElephantAgent, a protocol that enforces Contextual State Continuity over the bounded, security-critical subset of the agent's context. Before each planning-and-execution cycle, ElephantAgent recomputes the digest of the local contextual state and verifies it against the latest authorized digest in a linearizable ledger of state transitions, maintained over replicated trusted hardware. The protocol also provides Historical Traceability, a secondary guarantee that keeps state transitions attributable and recoverable. We integrate ElephantAgent into DeepSeek Harness (DSH) and implement ElephantDSH, an agentic system protected by contextual state verification. ElephantDSH withstood all out-of-band attack attempts, from rug pulls and rollbacks to attacks on its own mechanism, and recovered from an in-band prompt injection in all trials. By comparison, existing defenses typically check only what enters the context: of the five we evaluated, all leaked the targeted content under the rollback, and three also under the rug pull. ElephantDSH completed all normal coding tasks with a relative overhead of 1.02-1.07$\times$ over the original DSH with model latency variation removed.

arXiv:2606.30852v3cs.AI

학습된 중단은 언제 도움이 되는가? 추론 모델 서비스를 위한 위험 통제 조기 종료의 구성

When Does Learning to Stop Help? Configuring Risk-Controlled Early Exit for Reasoning-Model Services

조기 종료는 잠정 답이 최종 답처럼 보일 때 추론을 멈춤으로써 추론 모델의 서비스 비용을 낮춘다. 운영자는 학습된 중단 규칙과 하나의 정적 토큰 예산 중 하나를 선택해야 하며, 전체 추론 대비 절감량만으로는 이 선택을 결정할 수 없다. 본 논문은 워크로드의 보정 데이터로 이를 결정하는 절차를 제시한다. 이 절차는 두 계열을 모두 Learn-then-Test로 인증하여, 전체 추론은 정답을 맞히지만 조기 종료는 맞히지 못하는 질문의 비율에 대한 하나의 상한을 보장하고, 서비스 스택이 하는 방식대로 잠정 답의 비용을 산정하며, 인증된 후보 중 가장 저렴한 것을 배포한다. 네 개의 모델과 다섯 개의 벤치마크 전반에서 어느 계열도 전반적으로 우수하지 않았다. 5% 위험 목표에서 학습된 규칙은 Qwen3의 자유 형식 수학 문제에서 정적 예산보다 10.4–17.0퍼센트포인트 더 많은 토큰을 절감하면서 정확도는 전체 추론보다 2.4–2.9점 낮았으며, MMLU-Pro에서는 평균적으로 절감량이 더 적었다. 어느 계열의 비용이 더 낮은지는 위험 목표에 따라서도(15개 설정 중 8개에서) 그리고 잠정 답의 가격에 따라서도 달라진다. 세 가지 가격 전반에서, 미리 한 계열로 확정하면 일부 워크로드에서 최대 27.4점을 잃는 반면, 보정 데이터로 선택하면 보정 질문이 99개뿐인 과제에서도 더 나은 계열보다 최대 11.6점 부족한 데 그친다. Qwen3-8B를 사용한 vLLM 엔진에서 평균 응답 시간은 생성된 토큰 수에 비례하여 감소했다. 보정 과제가 아닌 다른 과제에서 서비스된 정책은 44개 과제 쌍 중 18개에서 위험 목표를 초과했으며, 새 과제에서 재보정하면 위험 통제가 회복되었다.

arXiv:2606.28778v2cs.IT

재밍에 강인한 OFDM 수신기를 위한 브라운 브리지 확산 보조 결합 채널 추정 및 데이터 검출

Brownian Bridge Diffusion-Assisted Joint Channel Estimation and Data Detection for Jamming-Resilient OFDM Receivers

차세대 무선 네트워크에서는 기기 밀도가 증가하고 스펙트럼 자원이 제한되어, 무선 전자기 환경에서 취약한 합법적 통신 링크에 심각한 재밍 문제가 발생한다. 특히 재밍이 시간 및 주파수 영역 모두에서 파일럿 심볼과 데이터 심볼에 겹치면 수신기 측의 결합 추정과 검출에 심각한 병목이 생긴다. 기존 방식은 이러한 재밍 오염에 대응할 효과적인 프레임워크가 부족하여 신뢰할 수 있는 전송을 보장하지 못하는 경우가 많다. 이 문제를 해결하기 위해 재밍에 강인한 직교 주파수 분할 다중화(OFDM) 수신기를 위한 브라운 브리지 확산 보조 결합 채널 추정 및 데이터 검출(BBD-JCED) 프레임워크를 제안한다. 제안 프레임워크는 재밍 억제 모듈과 브라운 브리지 결합 복원 모듈로 구성된다. 전자는 단시간 푸리에 변환(STFT) 영역에서 재밍에 오염된 빈을 식별하고 스펙트럼 노칭을 통해 지배적인 재밍 성분을 억제한다. 후자는 브라운 브리지 기반 확률 그래프를 구성하여 억제된 OFDM 관측에서 부호화된 비트로의 확률적 전이 과정을 모델링하고, 역방향 복원 과정을 수행하여 향상된 결합 채널 추정 및 데이터 검출을 가능하게 한다. 또한 다루기 어려운 비트 추정 문제를 다루기 쉬운 학습 목적 함수로 재구성하는 변분 하한(VLB)을 유도하여 손실 함수 설계의 확률적 토대를 제공한다. 나아가 재밍 억제 모듈과 브라운 브리지 결합 복원 모듈을 개별적으로 최적화하기 위한 2단계 학습 알고리즘을 개발한다. 대표적인 재밍 유형에 대한 시뮬레이션 결과, 제안 프레임워크는 경쟁력 있는 추론 복잡도를 유지하면서도 고려한 기준 방식보다 우수한 재밍 억제 및 비트 복원 성능을 달성함을 보여 준다.

arXiv:2606.26587v2cs.LG

SharQ: LLM 추론을 위한 활성화 희소성과 FP4 양자화 연결

SharQ: Bridging Activation Sparsity and FP4 Quantization for LLM Inference

SharQ는 LLM 추론에서 활성화 희소성과 FP4 양자화를 온라인 희소-밀집 분해로 연결하는 학습 없는(training-free) 방법으로, 입력 적응형 N:M 마스크로 추출한 희소 백본을 FP4로 처리하고 밀집 잔차 경로가 마스크 손실과 희소 경로 양자화 오류를 함께 보상한다. 보정·재학습·모델별 튜닝 없이 Llama·Qwen 등에서 NVFP4 대 FP16 정확도 격차의 43–63%를 회복하며, RTX 5090에서 FP16 대비 2.2–2.4배 지연 감소와 FP8 대비 1.2–1.4배 처리량 향상을 달성한다.

arXiv:2606.26567v2eess.SP

대규모 MIMO를 위한 멀티모달 환경 인지 빔 관리: 기하학 기반 가상 기지국 프레임워크

Multi-Modal Environment-Aware Beam Management for Massive MIMO: A Geometry-Driven Virtual Base Station Framework

고주파 대규모 다중 입출력(MIMO) 시스템은 초고속 데이터 전송률을 약속한다. 그러나 과도한 빔 훈련 오버헤드와 다중 사용자 MIMO(MU-MIMO) 시나리오에서 요구되는 복잡한 조정으로 인해 효율적인 빔 관리는 여전히 어렵다. 이러한 병목을 해결하기 위해, 환경 인식 통신이 유망한 패러다임으로 부상했으며, 이는 특정 지역에 관한 지식을 활용하여 파일럿 기반의 전수 빔 훈련을 피하고 다중 사용자 통신을 간소화한다. 본 논문은 다중 모달 환경 데이터, 구체적으로 지역 3D 라이다(LiDAR) 점군과 위치 정보를 활용하여 오프라인 가상 기지국(VBS) 데이터베이스를 구축하는 기하 기반 프레임워크를 제안한다. 점군으로부터 복원한 건물 외벽에 대한 거울 대칭을 통해 지배적인 반사 경로를 모델링함으로써, VBS 데이터베이스는 무선 전파 환경에 대한 간결하고 희소한 기술을 제공한다. 사용자 위치가 주어지면 VBS 표현은 온라인 조대 채널 복원과 빔 공간 사전 분포의 생성을 지원한다. 조대 추정치를 정제하기 위해 제한된 온라인 측정으로 VBS 보조 직교 파일럿(VOP) 기반 부분 빔 훈련 방식을 설계한다. 마지막으로 사용자 간 간섭 하에서 빔 선택을 조정하기 위해 협조적 빔 선택을 위한 계층적 이중 에이전트 듀얼링 더블 심층 Q-네트워크(DD3QN-CBS)를 개발한다. 시뮬레이션 결과, 제안 프레임워크는 평가한 확률적, 휴리스틱, 기존 학습 기반 기준 방식보다 유효 스펙트럼 효율을 향상시키면서 더 적은 온라인 빔 측정으로 경쟁력 있는 성능을 달성함을 보여 준다.

arXiv:2606.21453v2cs.HC

음성 의미 구문 분석을 위한 텍스트 전용 적응 음성 LLM의 강건성

Robustness of Text-Only Adapted Speech LLMs for Spoken Semantic Parsing

대규모 언어 모델(LLM)은 의미 프레임과 함수 호출을 포함하여 자연어 지시로부터 구조화된 출력을 생성하는 데 점점 더 많이 사용되고 있다. 입력이 음성일 때 이 과제는 음성 의미 구문 분석이 되며, 이는 음성 LLM 또는 ASR-LLM 캐스케이드를 사용해 수행할 수 있다. 두 접근법 모두 텍스트 전용 과제 지도로 적응시킬 수 있지만, 음향 열화에 대한 상대적 강건성은 아직 명확하지 않다. 우리는 3B 및 7B 모델을 사용하여 세 개의 데이터셋에서 동일한 텍스트 형태의 지도 하에 이 접근법들을 비교하며, 깨끗한 음성과 다섯 가지 SNR 수준의 babble 잡음에서 평가한다. 결과는 음성 LLM이 명령 이해, 의도 예측, 함수 호출에서 대체로 더 나은 성능을 보이며 특히 심한 잡음 조건에서 그러함을 보여주는 반면, 세밀한 개체 예측에서의 향상은 일관성이 떨어진다. 추가 평가에서는 음성 LLM이 두 모델 규모 모두에서 ASR-LLM 캐스케이드보다 샘플당 평균 추론 시간이 짧음을 보인다.

arXiv:2606.16624v3cs.AI

GA-VINO: Mindlin-Reissner 판을 위한 기하 인식 변분 물리 정보 신경 연산자

GA-VINO: A Geometry-Aware Variational Physics-informed Neural Operator for Mindlin-Reissner Plates

판 및 쉘 구조는 공학 분야에서 널리 사용된다. 복잡한 기하, 이질적 재료, 변화하는 하중 하에서 이러한 구조에 대한 신속한 응답 예측은 공학 설계에 중요하지만, 기존 수치 방법은 물리적 구성이 변경될 때 반복적인 모델링과 해법이 일반적으로 필요하다. 이 문제를 해결하기 위해 본 연구는 Mindlin-Reissner 판을 위한 기하 인식 변분 물리 정보 신경 연산자(geometry-aware variational physics-informed neural operator, GA-VINO)를 제안한다. GA-VINO는 경계 포인트 클라우드를 사용하여 판 기하를 표현하고, 공간적으로 무작위인 재료장, 공간적으로 변화하는 압력 하중, 샘플 수준의 균일 매개변수를 처리하기 위해 재료 인코더, 하중 인코더, 스칼라 매개변수 분기를 통합한다. 다중 분기 포인트 클라우드 인코딩과 교차 어텐션(cross-attention)을 통해 GA-VINO는 기하, 재료, 하중, 쿼리 포인트 정보를 융합하고, 임의의 쿼리 위치에서 횡방향 처짐과 회전을 예측한다. 기존 데이터 기반 신경 연산자와 달리 GA-VINO는 학습 동안 레이블이 붙은 해 데이터가 필요하지 않다. 대신 Mindlin-Reissner 판의 이산화된 총 잠재 에너지로부터 구성된 변분 물리 정보 손실을 최소화한다. 격자 기반 신경 연산자와 비교하여 GA-VINO는 불규칙 포인트 클라우드를 직접 처리하고, 서로 다른 물리장이 서로 다른 포인트 집합에서 이산화될 수 있도록 하여 공통 격자로의 강제 보간을 피한다. 이 방법은 서로 다른 기하, 재료장, 하중 분포를 포함하는 여러 예제에서 검증된다. 결과는 GA-VINO가 처짐, 회전, 그래디언트 민감, 에너지 기반 지표에서 유망한 정확도를 달성하고, 새로운 샘플에 대한 전장 추론을 밀리초 이내에 완료하며, 유망한 교차 기하 일반화 능력을 보인다는 것을 나타낸다.

arXiv:2606.14990v3cs.LG

유리함수 희소 오토인코더

Rational Sparse Autoencoder

희소 오토인코더(SAE)는 기계적 해석 가능성의 표준 도구이지만, 현재의 SAE 계열은 ReLU, JumpReLU, TopK와 같은 고정된 인코더 비선형성에 제약을 받는다. 이는 특정 희소성 메커니즘을 모델에 고정시켜 재구성 대 희소성의 절충 관계를 왜곡할 수 있다. 우리는 고정된 인코더 활성화를 학습 가능한 유리함수로 대체하는 유리함수 희소 오토인코더(Rational Sparse Autoencoder, RSAE)를 소개한다. 이 설계는 동일한 기대 희소성에서 RSAE가 갖는 재구성 우위를 증명한 결과에 기반하며, ReLU에 대한 비열등성이 보장되고 명시된 가정 하에서 JumpReLU와 TopK에 대한 증명 가능한 개선이 성립한다. 이 모델은 이후 2단계 파이프라인으로 구현되는데, 먼저 사전 학습된 기준 SAE 가중치를 복사하고 유리 계수와 함께 스케일 매개변수를 보정하는 초기화 절차를 수행하고, 이어서 $\ell_0$를 교사 모델의 값으로 유지하는 희소성 정규화 재구성 목적함수 하에서 미세조정 단계를 수행한다. 이론과 일치하게, 세 개의 공개 가중치 언어 모델의 잔차 스트림 활성화와 세 가지 기준 활성화 계열 모두에서, RSAE는 동일한 희소성 수준에서 미세조정 단계 이후 재구성 충실도를 향상시킨다. 이러한 이득은 호스트 언어 모델, 기준 활성화 계열, 그리고 우리가 시험한 기준 희소성의 전 범위에 걸쳐 일관되며, 업그레이드 자체는 오토인코더당 20개의 스칼라 매개변수만 추가하고 한 번의 학습은 단일 소비자용 GPU에서 약 4분에서 25분이 걸린다.

arXiv:2606.12563v2cs.AI

Arbor: 탐색 정책이 시스템 최적화에서 에이전트 행동을 형성하는 방식

Arbor: How Search Policy Shapes Agent Behavior in System Optimization

최신 가속기에서 최고 성능을 달성하려면 커널, 연산자 융합, KV 캐시 관리, 양자화, 스케줄링, 통신 중첩 전반에 걸친 조율된 최적화가 필요하며, 이 과정은 모델과 하드웨어 플랫폼마다 전문가의 수주에 걸친 노력을 요구한다. 본 논문은 자율 에이전트에게 추론하고, 되돌아가며, 경험으로 심화할 수 있는 명시적 최적화 트리를 제공하는 시스템 Arbor를 제시한다. Arbor는 교체 가능한 탐색 정책, 점수 기반 밴딧 순회, 병렬 에이전트 스웜, 깊이 우선 스윕을 지원하며, 컨테이너 격리, 자동 롤백, 종단 간 검증으로 이루어진 공통 하네스를 공유한다. Arbor는 여러 도메인에 일반화되어, 두 세대의 GPU에 걸친 여섯 개의 상용 추론 모델에서 +40%에서 +193%, LLM 학습에서 +42.8%, 추천 모델 학습에서 +41%의 향상을 달성하였으며, 이 과정에서 에이전트는 수천 줄에 달하는 커널 수준 및 프레임워크 수준의 최적화를 자율적으로 작성하였다. 모든 탐색 정책이 동일한 에이전트, 트리, 도구를 받는 통제된 절제 실험에서, 탐색 구조가 최적화의 규모와 성격을 모두 좌우함을 확인하였다. 밴딧은 표적화된 프레임워크 수정을 통해 +30.1%, 스윕은 깊은 커널 재작성을 통해 +26.4%, 스웜은 독립적인 변경을 누적하여 +33.4%를 달성한다. 동일한 하네스, 도구, 정보를 받되 스스로 대상을 선택하는 에이전트 주도 루프는 +14%에 도달하며, 성능 향상 1퍼센트포인트당 Arbor의 구조화된 탐색 정책보다 4배 많은 코드를 작성한다. 또한 장시간 수행되는 최적화 캠페인 전반에서 에이전트의 탐색 행동을 규명하도록 설계된, 효율성, 근거성, 견고성, 깊이를 아우르는 자율 루프 기반 에이전트 평가 프레임워크를 추가로 제안한다.

arXiv:2606.10660v4cs.CY

기업 온실가스 인벤토리에서 구매한 인공지능 추론의 산정: 토큰 기반 방법

Accounting for Purchased Artificial Intelligence Inference in Corporate Greenhouse Gas Inventories: A Token-Based Method

구매한 인공지능(AI) 추론은 기업 온실가스 인벤토리의 Scope 3 카테고리 1에 속하지만, 실무에서는 이를 누락하거나 물리적 추정치의 1.7배에서 12.3배를 주는 지출 기반 계수를 적용하며, 이 계수는 모델이나 지역 간 차이를 구분하지 못한다. 본 논문은 토큰 기반 방법과 공개 데이터셋을 제시한다. 여기에는 원료 채취부터 출하까지의 경계, 네 단계의 활동 데이터, 유효 토큰 기준, 네 개 항(서빙 전력, 내재 하드웨어, 데이터센터 건설, 공개된 최종 학습 실행)으로 이루어진 계수, 그리고 임의의 모델 식별자와 지역을 계수로 대응시키는 규칙이 포함된다. 추론 발자국은 모델 등급 간 12배, 지역 간 9배에 걸쳐 나타난다. 세계 평균 전력망에서 중간 등급 계수는 청구 토큰 100만 개당 이산화탄소 환산량(CO2e) 0.039 kg이며, 이는 제시된 구조적 범위의 하단이다. 효율이 낮은 서빙 구성은 이를 2.8배로 높이고, 학습 항을 모든 모델 개발로 대체하면 자체 경계에서 그 값의 1.5배에서 2.9배가 된다. 입력 범위만으로는 -18%에서 +29%이다. 중간 등급 모델을 설명할 수 있는 기존 공표된 질의당 에너지 추정치는 중간 등급 에너지의 2.4배에서 7.2배이며, 다섯 행 중 네 행에서 그 구조적 범위를 넘는다. 최전선 등급 모델을 설명할 수 있는 추정치는 0.7배에서 1.6배로 이를 아우른다. 적용 예시에서 직원 200명 규모 기업은 연간 8.5 kg CO2e, 중간 등급 모델에서 에이전트형 코딩 도구를 사용하는 개발자 50명은 2.1톤, 최전선 등급 모델에서는 8.3톤이다. 본 연구의 기여는 추적 가능한 수치이며, 계량된 에너지에 대한 정확도는 검증되지 않았다.

arXiv:2606.04326v2cs.LG

중요한 것을 측정하기: 개념 병목 모델을 위한 합성 벤치마크

Measuring What Matters: Synthetic Benchmarks for Concept Bottleneck Models

개념 병목 모델은 입력에서 검출된 고수준 개념을 사용하여 예측한다. 이러한 모델은 해석 가능성의 이점을 얻는 간단한 방법을 제공하지만, 개념 레이블을 포함하는 실제 데이터셋이 매우 적기 때문에 학습과 평가가 어렵다. 본 논문에서는 개념 병목 모델을 위한 합성 벤치마크를 개발한다. 이 벤치마크를 통해 연구자들은 레이블이 있는 데이터셋을 생성하고, 데이터 양식, 개념의 선택, 주석 품질 등 성능에 영향을 미치는 속성을 제어할 수 있다. 따라서 이러한 모델에 적합한 문제를 찾고 실패의 원인 요인을 분리할 수 있다. 본 벤치마크가 개념 병목 모델의 주요 사용 사례, 즉 인간 전문가가 더 나은 결정을 내리도록 돕는 의사결정 지원과, 감독 없이 일상적인 작업을 처리하는 자동화를 평가하는 데 어떻게 사용될 수 있는지 보인다. 시연 결과는 이 벤치마크가 새로운 실패 모드를 식별하고 이를 아키텍처 또는 데이터의 탓으로 귀속할 수 있음을 보여 준다.