본 논문에서는 산업용 이상치 합성(IAS)에 대한 종합적인 고찰을 제시합니다. 산업용 이상치에 관한 기존 서베이들은 주로 이상치 탐지에 초점을 맞추어 왔으며, IAS는 독립적인 주제라기보다는 보조적인 구성 요소로 취급되는 경우가 일반적이었습니다. 그러나 데이터 증강, 다운스트림 모델 학습, 제어 가능한 산업 검사에서의 중요성이 증대됨에 따라 IAS는 점차 관심이 높아지는 연구 방향이 되었습니다. 전용 서베이의 부재를 해결하기 위해, 본 논문에서는 광범위한 대표적 방법론들을 조사하고 이를 네 가지 패러다임, 즉 수작업 기반 합성, 분포 가설 기반 합성, 생성 모델(GM) 기반 합성, 비전-언어 모델(VLM) 기반 합성으로 체계화합니다. 나아가 IAS를 위한 전용 분류 체계(taxonomy)를 구축하여 방법론 간의 더욱 체계적인 비교를 지원하고 해당 분야의 발전 과정을 더욱 명확하게 조망합니다. 방법론적 분류를 넘어, IAS에서 널리 활용되는 데이터셋, 벤치마크, 평가 지표를 요약하며 이전 서베이에서 다루어지지 않았던 멀티모달 이상치 합성의 최근 진전을 살펴봅니다. 또한 IAS 하위 범주 전반에 걸쳐 입력 요구사항, 출력 형태, 제어 가능성, 비용, 다운스트림 태스크, 실제 적용 시의 한계를 분석함으로써 배포 관점의 비교와 실용적인 가이드라인을 제공합니다. 종합적으로 본 서베이는 기존 IAS 방법론, 평가 환경, 실질적인 트레이드오프, 현재의 한계점, 유망한 미래 연구 방향에 대한 구조화된 이해를 제공하며, 해당 분야 후속 연구의 참고 자료로 활용되기를 기대합니다. 관련 자료는 https://github.com/M-3LAB/awesome-anomaly-synthesis 에서 확인할 수 있습니다.
도시의 바람 및 온도장을 신속하고 정확하게 예측하는 것은 도시 미기후 설계 및 기후 적응에 중요합니다. 대와류 모사(LES)는 이러한 순시 필드를 효과적으로 분해하지만, 높은 계산 비용으로 인해 도시 미기후 응용 분야의 반복적 설계에 적용하는 데 한계가 있습니다. 기존의 회귀 기반 데이터 기반 모델(model)은 빠른 출력을 제공하지만, 난류의 확률적 특성을 본질적으로 표현하지 못하는 결정론적 점 예측만을 생성합니다. 본 논문은 건물 형상과 평균 유동을 가이던스로 활용하여 도시 미기후를 위한 타당한 3차원 순시 속도 및 온도장을 수 초 만에 생성하는 조건부 플로우 매칭(CFM) 기반의 새로운 생성 프레임워크를 도입합니다. 픽셀 공간 3D 생성 시 발생하는 GPU 메모리 병목 현상을 극복하기 위해, 모델은 전체 영역에 걸쳐 유동 구조의 높은 공간적 연속성을 보존하는 공유 노이즈 초기화(initialization)를 통해 중첩되는 픽셀 공간에서 병렬로 동작합니다. 기준 LES 데이터 대비 CFM 대리 모델은 바람 2.99%, 온도 1.77%의 정규화 평균 제곱근 오차(NRMSE)를 갖는 1차 통계량, 바람 7.17%, 온도 8.84%의 NRMSE를 갖는 2차 난류 지표, 7% NRMSE의 난류 운동 에너지, 그리고 대표 위치에서의 확률 밀도 함수 및 수직 프로파일을 신속하고 정확하게 복원할 수 있습니다. 국소 돌풍 예측에 대한 풍공학 응용을 통해 CFM의 속도와 정확도를 입증함으로써, 난류를 고려한 복원력 있는 도시 설계 및 기후 적응의 계산적 실현 가능성을 높이기 위한 생성형 AI의 활용을 뒷받침합니다.
단기 실현 변동성 예측은 초 단위의 오더북(order book) 역학부터 주 단위의 체제 변화(regime drift)에 이르기까지, 서로 다른 시간 해상도에서 전개되는 시장 정보를 통합해야 합니다. 본 연구진의 이전 학회 연구에서는 스케일별 트랜스포머(Transformer) 인코더가 단기, 중기, 장기 스트림을 처리하고 학습된 어텐션 퓨저(fuser)가 이들의 기여도를 가중하는 계층적 구조인 HAN-T를 제안했습니다. 본 논문에서는 이차 시간 복잡도(quadratic)의 어텐션 인코더를 선택적 상태 공간(selective state space, Mamba) 인코더로 대체하는 한편, 입력이 긴 시퀀스가 아닌 세 개의 토큰 세트로 구성되는 퓨저에만 어텐션을 유지합니다. 그 결과 도출된 하이브리드 모델인 HAN-Mamba는 입력 의존적 게이팅을 통해 지속적이면서도 감쇠하는 메모리와 급격한 체제 전환이라는 변동성의 두 가지 구조적 특성에 부합하는 순환 상태로 각 스트림을 요약합니다. 시간 인지 5겹 교차 검증(time-aware five-fold cross-validation)을 적용한 Optiver 실현 변동성 예측 벤치마크에서, HAN-Mamba는 33% 더 적은 파라미터로 HAN-T 대비 평균 RMSPE를 개선했습니다(0.1942 대 0.1965). 또한 선형 시간(linear-time) 인코더 덕분에 고주파 컨텍스트를 60개에서 240개 버킷으로 확장하여 어텐션 변형 모델이 포화 상태에 도달하는 지점에서 오차를 0.1927로 줄일 수 있었으며, 추론(inference) 시 상수 시간의 스트리밍 업데이트를 지원합니다. 어블레이션 연구(Ablation)를 통해 이러한 성능 향상이 인코더 교체 덕분임을 규명하고, 계층적 사전 지식이 서로 다른 시퀀스 모델 패밀리 간에도 전이됨을 확인하며, 순열 불변(permutation-invariant) 어텐션 퓨저가 스케일 간 통합에 여전히 적합한 메커니즘임을 보여줍니다.
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.
대규모 언어 모델(LLM) 기반 트레이딩 시스템 연구에서 체결 현실성(execution realism)은 여전히 표준화가 미흡하여, 백테스트, 시뮬레이션 및 포트폴리오 벤치마크 전반에 걸친 비교와 재현을 제한하고 있습니다. 본 논문은 체결 재현성 증거 감사가 중첩된 PRISMA-ScR 체계적 범위 고찰(systematic scoping review)을 제시합니다. 재현 가능한 8개의 쿼리 패밀리를 통해 쿼리 수준의 레코드 796건이 반환되었으며, DOI/제목 중복 제거 후 687건의 고유 레코드가 남았고, 101건의 보고서에 대해 원문 회수를 시도하여 직접 및 대체 오픈 액세스 경로를 통해 59건의 전문(full text)을 확보했습니다. 53건의 보고서는 2건의 맹검 저자 검증(validation) 패킷 조정 결과에 따라 확장된 증거 차팅(charting) 대상 잠정 적격으로 분류되었습니다. 차팅 프레임워크는 시점 통제(point-in-time controls), 시간적 분할(temporal splits), 홀드아웃 평가(held-out evaluation), 거래 비용 및 회전율, 체결 시맨틱, 유니버스 구성, 아키텍처 보고, 아티팩트 가용성을 개별적으로 평가합니다. 직접 트레이딩, 포트폴리오 또는 알파 구성, 벤치마크 연구는 공통의 성과 추정치(estimand)로 통합되지 않고 별도의 기술적 하위 그룹으로 유지됩니다. 검색 응답, 회수 시도 내역, 파일 해시, 증거 발췌본, 스크리닝 결정 및 코딩 워크시트는 리뷰 자료와 함께 아카이빙됩니다. 최종 필드 수준 집계치는 저자 검증이 완료될 때까지 의도적으로 공개를 보류합니다.
규모가 작고 자주 편집되는 지식 베이스를 기반으로 하는 어시스턴트는 실시간 데이터 인터페이스로의 도구 호출을 통해 검색하거나, 벡터 검색-증강 생성(RAG)을 통해 검색할 수 있습니다. 본 연구에서는 그리스 키티라섬의 그리스어-영어 농업 플랫폼에 게시된 기록에서 추출한 198개 질문으로 구성된 벤치마크인 KyGround에서 두 방식을 비교합니다. 각 질문의 답변은 해당 기록을 바탕으로 자동 검증되며, 각 질문은 악센트 부호가 없는 그리스어, 대문자 표기, 세 가지 라틴 문자 표기(Greeklish) 방식을 포함해 최대 9가지 형태로 제시됩니다. Claude Haiku 4.5를 라우터 및 답변 모델로 사용했을 때, 해당 플랫폼의 도구 에이전트를 재구성한 모델은 표준 그리스어 질문의 71.6%에 정답을 맞힌 반면 벡터 RAG는 95.3%를 기록했습니다(차이 -23.6%p, 95% 신뢰구간 -33.1 ~ -15.1). 라우터가 벡터 쿼리를 직접 작성하도록 해도 결과는 달라지지 않았으며, 약 26,000 토큰 크기의 전체 지식 베이스를 프롬프트에 직접 입력했을 때는 99.3%에 도달했습니다. 도구 에이전트의 성능 손실은 검색 단계에서 발생했습니다. 라우터의 인자가 기록에 그대로 나타나지 않는 경우(예: 그리스어를 라틴 문자로 음차 표기하거나, 기록에 등장하지만 한 어구로 이어지지 않는 단어들을 결합한 경우) 리터럴 검색은 아무 결과도 반환하지 못했고 에이전트는 답변을 기권했습니다. 악센트 부호가 없거나 대문자로 작성된 질문은 도구 에이전트의 성능을 약 20포인트 떨어뜨린 반면 벡터 RAG에는 기껏해야 2포인트의 손실만 초래했습니다. 악센트를 구분하지 않는 검색을 적용하자 이러한 손실이 해소되었고, 어간 추출된 토큰을 매칭하자 도구 에이전트의 표준 그리스어 정확도는 83.8%까지 상승했습니다. Greeklish 입력은 두 설계 모두에서 약 21~32포인트의 손실을 유발했습니다. 커뮤니티 지식 베이스를 위한 도구 인터페이스는 사용자의 입력 방식을 수용할 수 있는 검색 기능이 필요합니다.
금속 합금의 기계적 특성은 미세구조(microstructure)와 집합조직(texture), 즉 결정립의 크기와 형태 및 결정의 방위에 의해 결정됩니다. 이러한 구조는 다시 레시피, 즉 합금 조성과 공정 파라미터에 의해 결정됩니다. 합금 개발은 목표 특성을 만족할 때까지 구조를 조정하며 이러한 과정을 순방향으로 진행합니다. 반대로 최적화된 구조로부터 이를 만들어낼 레시피를 역추론하는 역방향 과정은 여전히 전문가의 지식에 의존하고 있습니다. 본 연구에서는 이러한 역방향 단계를 학습할 수 있는지 질문을 던집니다. 14종의 합금에 걸친 107개의 마그네슘 합금 압출 조건으로 구성된 사내 데이터셋(각각 광학 현미경 사진과 X선 집합조직 측정치를 포함)을 바탕으로, 미세구조 및 집합조직을 표현하는 세 가지 기술자(descriptor)를 비교합니다: 전통적인 결정립 및 집합조직 통계량, 사전학습된 이미지 인코더 기반의 비전 임베딩, 그리고 결정립 네트워크상의 그래프 신경망(GNN)입니다. 각각의 기술자는 공정이 주어졌을 때 합금 조성을 예측하는 과제(과제 A)와 조성이 주어졌을 때 공정 파라미터를 예측하는 과제(과제 B)라는 두 가지 예측 헤드와 결합됩니다. 5겹 교차 검증(5-fold cross-validation)에서 가장 흔한 합금을 항상 추측하는 기준선이 17%인 것에 비해, 전통적 기술자는 보류된 조건의 65%에서 올바른 합금을 식별한 반면, 학습된 임베딩은 30% 미만에 머물렀습니다. 공정 파라미터는 복원 가능하지만 노이즈가 더 컸습니다. 단독으로 조성을 사용하는 경우와 비교하여 미세구조 정보를 활용했을 때 온도 오차가 대략 절반으로 줄어들었습니다. 주조된 합금이 몇 종류에 불과하고 프레스 설정 역시 몇 가지만 사용되었기 때문에 두 정답 모두 이산적(discrete)이며, 자유로운 연속값을 예측하는 헤드보다 순서를 고려하면서 알려진 옵션 중에서 선택하는 헤드의 성능이 더 우수했습니다.
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.
전략 연구에서는 수익성 있는 규칙을 찾는 것과 그 발견이 단순한 탐색 운(search luck)이 아님을 입증하는 것이라는 두 가지 문제가 혼재되어 있습니다. 후자는 결론이 채택되기 전에 반드시 충족되어야 하는 통계적 기준인 진입 게이트(admission gates)를 필요로 하지만, 이러한 게이트가 실제로 효과가 있는지, 그리고 어떤 비용이 수반되는지는 아직 검증되지 않았습니다. 본 연구에서는 게이트와 동일한 비율로 채택을 수행하는 무작위 진입 대조군(random-admission control)을 포함한 진실 주입(injected-truth) 프로토콜을 도입합니다. 게이트가 이 대조군보다 뛰어난 성능을 보일 때에만 단순히 임계값을 높이는 것에 그치지 않고 유의미한 정보를 담고 있다고 볼 수 있습니다. 합성 패널 및 실제 데이터로 보정된 패널 전반에서, 게이트는 신호가 약한 영역(weak-signal regime)에서 거짓 발견(false discovery)을 제거하지만 채택률을 1~7%로 떨어뜨리며, 신호가 강한 경우에는 어떠한 이점도 더하지 못합니다. 가장 중요한 점은 초과 수익률이 아닌 절대 수익률을 기준으로 계산된 판별 기준은 실제 유의미한 신호를 포함한 모든 후보를 조용히 기각한다는 것입니다. 핵심어: 다중 검정(multiple testing), 백테스트 과적합, 전략 진입, 진실 주입 검증, 초과 수익률, 거짓 발견율(false discovery rate)
목표 지향적 분자 설계는 빠르게 발전해 왔으나, 설계된 분자 중 상당수는 실제로 합성하기 어려워 실세계에서의 유용성이 제한됩니다. 기존의 합성 가능성 고려(synthesizability-aware) 방법들은 생성된 분자를 의도한 목표에서 벗어나는 합성 가능한 유사체로 다시 투영하거나, 효율적인 탐색을 위한 연속적 지형이 결여된 이산적 합성 공간에서 직접 최적화합니다. 우리는 이러한 한계가 옵티마이저보다는 주로 탐색 공간에서 비롯된다고 주장합니다. 이를 해결하기 위해, 우리는 합성 가능한 분자 설계를 각 잠재 변수가 완전한 합성 경로에 대응되어 합성 가능성이 본질적으로 보존되는 연속적인 경로 잠재 공간(route latent space) 상의 탐색으로 재정의하는 프레임워크인 RouteFlow를 제안합니다. 이 공간을 탐색하기 위해, 우리는 높은 특성 영역으로 유도하는 효율적인 샘플러로서 보상 기반 플로우 매칭(reward-guided flow matching)을 채택합니다. 보상 최적화는 잠재 변수를 실제 합성 경로의 매니폴드 밖으로 밀어내어 디코딩의 신뢰성을 떨어뜨릴 수 있으므로, 미세조정을 안정화하기 위한 순환 일관성(cycle-consistency) 메커니즘을 추가로 도입합니다. Therapeutic Data Commons의 16개 최적화 태스크 전반에서 RouteFlow는 합성 가능성을 고려하는 베이스라인 중 최고의 샘플 효율성을 달성하며, 가장 우수한 합성 접근성과 가장 높은 역합성 성공률을 기록했습니다. 또한 실험 결과는 제안된 순환 일관성이 목표 특성을 개선하는 동시에 최적화를 매니폴드 상에 안정적으로 유지하여, 효과적인 합성 가능 분자 발견을 지원함을 확인해 줍니다.
Simplified Swarm Optimization for Surrogate-Assisted Reliability Design of Insulated-Gate Bipolar Transistor Power Modules Using an Open-Source Process Finite-Element Model
공정으로 인해 발생하는 휨(warpage), 세라믹 응력 및 솔더 변형률은 직접 접합 구리(DBC) 기판 기반 절연 게이트 양극성 트랜지스터(IGBT) 모듈의 신뢰성을 제한합니다. 대리 모델 기반 설계 연구는 유한요소 해석(FEA) 데이터베이스에서 회귀 모델을 학습하지만, 최적화된 설계를 새로운 FEA와 대조하여 검증하거나 대리 모델 오차가 옵티마이저와 어떻게 상호작용하는지 보고하는 경우는 드뭅니다. 본 논문은 오픈소스 공정 유한요소 모델, 단순화된 군집 최적화(SSO)로 튜닝된 대리 모델, 다중 목적 설계 탐색, 선정된 설계의 FEA 검증, 검증 기반 인필(infill)로 구성된 공개 파이프라인을 구축하고 평가합니다. 이 모델은 두 번째 리플로우부터 시작하여 적합 파라미터 없이도 리플로우, 하우징, 몰딩 단계에서 측정된 휨을 각각 18.2%, 33.6%, 15.3% 오차 이내로 재현합니다. 균형 잡힌 60개 설계 데이터베이스에서 모든 확률적 튜너는 동일한 테스트 정확도에 도달하고, 모든 출력에 대해 교차 검증 성능에서 기존에 발표된 그리드 탐색을 능가하지만 일반화 성능 개선은 휨에 대해서만 나타납니다. 튜너의 교차 검증 순위는 테스트 세트로 전이되지 않습니다. 동일한 결과 보고 기준에서 다중 목적 SSO와 비지배 정렬 유전 알고리즘 II(NSGA-II)는 유사한 파레토 전선을 제공하며, 보정된 다중 목적 입자 군집 옵티마이저는 둘 모두에 뒤처집니다. FEA 검증 결과 휨 예측은 유효(평균 절대 오차 0.5%)한 반면, 옵티마이저가 도달한 설계 공간 경계에서 세라믹 응력 대리 모델은 최대 26%까지 낙관적인 것으로 나타납니다. 두 차례의 검증 기반 인필 라운드를 통해 이 오차를 1~10%로 줄이고 표본 외(out-of-sample) 오차를 절반으로 낮추었으나, 검증된 설계 중 세라믹 응력 측면에서 기존 데이터베이스보다 개선된 설계는 없었습니다. 해당 지표가 양산 해상도에서 메시(mesh) 민감도를 가지므로 세라믹 응력 결과는 참고용입니다. 모델, 데이터베이스, 스크립트, 사전 등록 및 사후 등록 결과가 공개됩니다.
금융 분야에서는 머신러닝 예측을 해석하는 것이 필수적이지만, 설명 가능한 AI의 수치 출력은 비전문가가 이해하기 어려울 수 있습니다. 대규모 언어 모델(LLM)은 이러한 출력을 자연어로 변환할 수 있으나, 수치적 변화와 특징(feature) 간의 관계를 추론할 때 오류를 발생시킬 수 있습니다. 본 논문에서는 시계열적 SHAP(Shapley Additive Explanations) 근거와 과거 국면 유사 사례(historical regime analogs)를 결합하여 횡단면 주식 수익률 예측을 설명하는 LLM 서술 프레임워크를 제안합니다. 시계열적 근거는 6개월 동안 XGBoost 모델의 정규화된 글로벌 SHAP 중요도 변화를 추적합니다. 과거 유사 사례는 SHAP 중요도 변화가 유사했던 과거 기간으로, 비교 맥락으로서 해당 기간의 모델 성능과 이후 시장 수익률을 함께 제공합니다. 이 프레임워크를 활용하여 원시 SHAP 시퀀스, 결정론적 시계열 기술어, 특징 관계를 순차적으로 제공하는 점진적 추론 외재화(reasoning externalization) 통제 실험을 수행합니다. 생성된 각 주장은 출처가 연결된 근거와 대조하여 검증됩니다. Qwen3 전반에서 수치 및 관계 추론을 외재화한 결과, 시계열 및 관계적 정확도뿐만 아니라 근거 충실도(evidence faithfulness)도 향상되었습니다. Qwen3-32B-Instruct의 경우 근거 충실도가 0.696에서 0.996으로 증가했습니다. 과거 유사 사례가 정형화된 자동 충실도를 향상시키지는 않았으나, 인간 평가에서는 더 높은 유용성 점수를 받았습니다. 이러한 결과는 검증 가능한 추론을 외재화함으로써 서술의 충실도를 높일 수 있으며, 과거 맥락이 해석적 가치를 더해준다는 점을 시사합니다.
신생아의 약 10%는 출생 시 호흡을 시작하기 위해 도움이 필요하며, 약 5%는 인공호흡 지원이 필요합니다. 태아 심박수(FHR) 모니터링은 산전 관리 중 태아의 건강 상태를 평가하는 데 중요한 역할을 하며, 이상 패턴을 감지하고 분만 중 태아 위험을 완화하기 위한 적시의 산과적 개입을 지원합니다. 다양한 결과를 수반하는 대규모 연속 FHR 모니터링 에피소드 데이터셋을 분석하기 위해 인공지능(AI) 기법을 적용하면, 호흡 지원 또는 개입이 필요할 위험을 예측하는 새로운 통찰을 제공할 수 있습니다. 최근 웨어러블 FHR 모니터의 발전으로 임산부의 이동성을 저해하지 않으면서도 지속적인 태아 모니터링이 가능해졌습니다. 그러나 산모의 움직임에 따른 센서 위치 이탈뿐만 아니라 태아 또는 산모의 자세 변화로 인해 신호 드롭아웃이 자주 발생하며, 이는 기록된 FHR 데이터의 결측으로 이어집니다. 이러한 결측 데이터는 유의미한 통찰 도출을 제한하고 자동화된(AI 기반) 분석을 복잡하게 만듭니다. 단순 보간 기법과 같은 결측 데이터 처리의 전통적인 접근법은 신호의 주파수 특성을 보존하지 못하는 경우가 많습니다. 본 논문에서는 데이터의 국소적 시간 및 주파수 성분을 모두 포착하여 결측된 FHR 신호를 재구성하는 마스크드 트랜스포머(masked transformer) 기반 오토인코더 접근법을 제안합니다. 제안된 방법은 다양한 결측 데이터 기간에 걸쳐 견고성을 입증하며 신호 인페인팅 및 예측에 사용될 수 있습니다. 제안된 접근법은 연구 데이터셋에 소급 적용되어 AI 기반 위험 알고리즘의 개발을 지원할 수 있습니다. 향후에는 제안된 방법을 웨어러블 FHR 모니터링 기기에 통합하여 더 조기에 보다 견고한 위험 감지를 달성할 수 있을 것입니다.
복잡한 시스템을 다루는 작업에서는 의사결정을 뒷받침하기 위해 고정밀(high-precision) 수치 계산이 필요합니다. 그러나 현재의 대규모 언어 모델(LLM)은 향상된 추론 능력을 갖추었더라도 기존 아키텍처 하에서는 이러한 계산을 내재적이면서도 해석 가능한 역량으로 통합하지 못합니다. 이를 해결하기 위해, 본 논문에서는 토큰 수준에서 계산과 추론을 유도하여 단일 사고의 연쇄(Chain-of-Thought) 내에서 반복적인 상호 전환을 가능하게 하는 아키텍처인 PiERN(Physically-isolated Experts Routing Network)을 제안합니다. 저자들은 PDEBench 및 배터리 관리 작업을 포함한 대표적인 계산-추론 작업에서 PiERN을 체계적으로 평가했습니다. 실험 결과, PiERN은 LLM을 직접 파인튜닝하는 것보다 더 높은 정확도를 달성할 뿐만 아니라, 주류 멀티 에이전트(multi-agent) 접근 방식에 비해 응답 지연 시간, 토큰 사용량, GPU 에너지 소비량 및 전문가 라우팅 정확도에서 상당한 개선을 보였습니다. 동시에 MMLU 및 GLUE 벤치마크 성능에서도 유의미한 저하를 나타내지 않았습니다. PiERN은 언어 모델을 과학 시스템과 연계하기 위한 효율적이고 해석 가능하며 확장 가능한 패러다임을 제공합니다.
대규모 언어 모델(LLM)의 최근 발전은 신약 재창출(drug repositioning)과 같은 과학적 영역에서 상당한 잠재력을 보여주었습니다. 그러나 사전학습(pre-training) 과정에서 획득한 지식을 넘어서는 추론을 수행할 때 그 효과는 여전히 제한적입니다. 미세조정(fine-tuning)이나 검색-증강 생성(RAG)과 같은 기존 접근 방식은 높은 연산 오버헤드를 발생시키거나 구조화된 과학 데이터를 온전히 활용하지 못한다는 한계가 있습니다. 이러한 문제를 극복하기 위해, 본 논문에서는 신약 재창출을 위해 RAG, 멀티 에이전트 협업, 그리고 몬테카를로 트리 탐색(MCTS)을 시너지 효과가 나도록 통합한 새로운 프레임워크인 DrugMCTS를 제안합니다. 이 프레임워크는 분자 및 단백질 정보를 검색하고 분석하는 역할을 맡은 5개의 특화된 에이전트를 활용하여 구조화되고 반복적인 추론을 가능하게 합니다. DrugBank 및 KIBA 데이터셋에 대한 광범위한 실험을 통해 DrugMCTS가 범용 LLM 및 심층 학습(deep learning) 베이스라인 모두에 비해 상당히 높은 재현율(recall)과 견고성을 달성함을 입증합니다. 본 연구 결과는 신약 재창출을 위한 LLM 응용을 발전시키는 데 있어 구조화된 추론, 에이전트 기반 협업, 피드백 기반 탐색 메커니즘의 중요성을 강조합니다.
물리 정보 신경망(PINN)은 충격파를 포함하는 보존 법칙에서 부정확한 해로 수렴하는 경우가 많은데, 이는 균등하게 분포된 배치점(collocation points)이 국소화된 특징을 불충분하게 샘플링하고 이미 잘 분해된 영역에 의해 잔차가 지배되도록 만들기 때문입니다. 본 논문에서는 해 신경망이 고정된 참조 영역에서 정의되고 매개변수화된 비선형 다양체로부터의 미분동형 변형 사상과 합성되는 특징 추적 PINN(FT-PINN)을 제안합니다. 변형 매개변수와 해 신경망 매개변수는 풀백(pulled-back)된 보존 법칙 잔차를 최소화함으로써 공동으로 학습됩니다. 이를 통해 위치에 대한 사전 지식 없이도 곡선, 경사 및 병합 충격파를 포함하여 본질적으로 임의의 기하학적 형태를 갖는 특징을 따라 배치점을 집중시킬 수 있습니다. 이 프레임워크는 매개변수화 선택에 구애받지 않습니다. 경계 보존은 변위의 접선 투영을 통해 엄밀하게 적용되며, 주름(folding) 현상은 야코비안 행렬식에 대한 단측 페널티를 통해 억제됩니다. 4가지 테스트 문제(병합 충격파를 갖는 시공간 점성 버거스 방정식, 감속하는 버거스 충격파, 시공간 오일러 충격관, 정상 2차원 오일러 정규 충격파 반사)에서 FT-PINN은 제한된 배치점 예산으로도 정확한 위치에서 충격파를 분해해 냅니다. 동일한 구조, 예산 및 학습 방식을 적용한 바닐라 PINN은 충격파의 위치를 잘못 잡거나 충격파 형성에 실패합니다.
베이지안 데이터 동화는 모델 예측과 노이즈가 포함된 관측치를 결합하지만, 고차원 비가우시안 사후확률을 샘플링하는 것은 여전히 까다로운 과제입니다. 본 연구에서는 사전학습된 확률적 보간(stochastic interpolant), 플로우 매칭(flow matching), 확산 모델(diffusion models)을 재학습 없이 사후확률 샘플러로 전환하는 관측 보간(observation-interpolant) 프레임워크를 소개합니다. 보간 경로를 관측치에 조건화하면 드리프트(drift) 또는 속도에 공유된 가능도-스코어(likelihood-score) 보정이 적용되어 확률적 및 결정론적 사후확률 샘플링을 하나로 통합합니다. 도출된 SDE와 ODE는 중간 가능도 스코어가 알려져 있을 때 정확한 사후확률을 샘플링합니다. 실제 계산을 위해 본 연구에서는 바이어스(bias)가 보정된 평균과 모델의 소스 공분산으로 팽창된 공분산을 갖는 닫힌 형태(closed-form)의 가우시안 대리자를 사용하여 이 스코어를 근사합니다. 야코비안-프리(Jacobian-free) 및 앙상블 공유 근사를 통해 고차원에서도 이 방법을 다룰 수 있도록 만듭니다. 우리는 선형-가우시안 역학, 확률적 2차원 나비에-스토크스(Navier-Stokes) 방정식, 그리고 최대 $O(10^4)$ 자유도를 갖는 도시 기류에 대해 이 프레임워크를 평가합니다.
금융 시계열 사전학습(pre-training)은 일반적으로 마스킹된 관측치, 대조적 관계, 또는 미래 결과로부터 학습하지만, 기존의 목적 함수들은 미래 지도(future-supervision)의 불확실성을 피하면서 동시에 수익률 예측과의 정렬(alignment)을 유지하는 데 어려움을 겪습니다. 본 논문에서는 원시 OHLCV 이력으로부터 기술적 지표를 재구성하는 단순한 교차 시장 사전학습 프레임워크인 DIVINE(DIVerse INdicator rEconstruction)을 제안합니다. 관측된 가격-거래량 이력으로부터 계산되는 기술적 지표는 수익률 예측과의 확립된 관련성을 지닌 다양한 시장 역학을 요약하는 동시에, 여러 시장에 걸쳐 일관되게 정의된 지도 신호를 제공합니다. 6개 주식 시장 데이터셋에서 공동으로 사전학습된 DIVINE은 16개의 표준 지표에서 파생된 77개의 타깃을 재구성하며, 학습된 인코더만을 다운스트림 주식 랭킹으로 전이합니다. 모든 6개 시장에서 DIVINE은 0.05M개의 매개변수를 가진 경량 인코더만으로 가장 강력한 평균 포트폴리오 성능을 달성하여 사전학습 베이스라인을 능가하고 훨씬 더 큰 금융 파운데이션 모델과 대등하거나 이를 능가하는 동시에, 강건성과 데이터 효율성을 유지합니다. 체계적인 분석을 통해 지표 다양성과 시장 다양성이 전이 과정에서 상호보완적인 이득을 제공함을 보여줍니다. 종합하면, 이러한 결과는 모델 규모보다는 지도 신호 설계와 교차 시장 다양성이 강력하고 전이 가능한 금융 표현(representation)을 이끄는 핵심 요인임을 시사합니다.
고충실도 시뮬레이션은 과학 및 공학 설계에 필수적이지만 반복 실행 비용이 많이 들 수 있습니다. 학습된 대리 모델(surrogate)은 더 빠른 대안을 제공하지만, 상대적으로 높은 오차로 인해 다운스트림 의사결정이 바뀔 수 있습니다. 이러한 정확도와 속도 간의 절충으로 인해 대리 모델을 사용할 수 있는지, 아니면 완전한 시뮬레이터가 여전히 필요한지를 결정해야 하는 문제가 발생합니다. 본 연구에서는 관심 대상인 스칼라 수량이 고정된 임계값(threshold)의 상위 또는 하위에 위치하는지에 따라 결정되는 의사결정을 연구합니다. 각 입력에 대해 대리 모델의 컨포멀 구간(conformal interval)이 임계값의 한쪽에 완전히 위치할 때는 대리 모델을 사용하고, 구간이 임계값과 교차할 때는 입력을 시뮬레이션으로 라우팅합니다. 표준 컨포멀 예측은 다운스트림 의사결정 임계값을 고려하지 않고 구간을 구성합니다. 즉, 임계값 근처의 좁은 구간이라도 임계값을 가로질러 시뮬레이션을 트리거할 수 있는 반면, 멀리 떨어진 더 넓은 구간은 한쪽에 완전히 머물러 시뮬레이션을 요구하지 않을 수 있습니다. 이에 의사결정 경계 근처에 구간의 조밀함을 집중시키는 임계값 인지 목적 함수를 사용하여 입력 의존적 스케일을 학습하는 임계값 인지 컨포멀 라우팅(TACR)을 제안합니다. 홀드아웃 데이터에 대한 정확한 분할 컨포멀 보정(split-conformal calibration)은 분포 무관 한계 커버리지(distribution-free marginal coverage)를 보존하며, 이는 라우팅되지 않은 잘못된 임계값 결정 확률의 상한선 역할도 수행합니다. 다양한 과학 및 공학 데이터셋에서 TACR은 동일한 목표 커버리지에서 표준 컨포멀 예측 대비 시뮬레이터 위임(deferral)을 14-75% 감소시킵니다. 임계값 국소 가중치를 적용하지 않았으나 유사한 예측 정확도를 지닌 변형 모델과 비교했을 때, TACR은 4개 데이터셋에서 위임을 10-24% 추가로 줄입니다. 이러한 결과는 라우팅을 위한 구간 할당을 최적화함으로써 표준 컨포멀 보장을 약화시키지 않으면서도 시뮬레이터 호출을 줄일 수 있음을 보여줍니다.
최근 MS/MS 스펙트럼으로부터 분자 핑거프린트를 예측하는 작업에서 최근접 이웃(nearest-neighbour) 검색이 강력한 기준선(baseline)을 제공하며, 여러 변형 방식이 현재의 심층 학습(deep learning) 모델과 대등하거나 이를 능가하는 성능을 보인다는 사실이 입증되었습니다 (Khoo and Barzilay, 2026; Liu et al., 2026; Gupta et al., 2026). 중요한 점은 "최근접 이웃"이 추론(inference) 시 활용 가능하다고 가정하는 정보에 따라 달라지는 검색 방법군을 포괄한다는 것입니다. 본 보고서에서는 여러 최근접 이웃 변형을 체계적으로 비교하고, 이러한 서로 다른 가정이 성능에 어떤 영향을 미치는지 보여줍니다. 우리의 목표는 보다 엄밀한 벤치마킹을 가능하게 하고 이 분야의 발전을 더 잘 측정할 수 있도록 더 엄격한 기준선을 확립하는 것입니다.