웨어러블 및 모바일 기기가 일상에 점점 깊이 자리 잡으면서, 실환경에서 인간 동작을 지속적으로 감지하는 실용적인 방법을 제공한다. 그러나 관성 신호는 신체 위치, 부착 위치, 센서 방향, 기기 하드웨어, 샘플링 프로토콜을 포함한 센싱 설정에 크게 의존한다. 이러한 설정 의존성은 기기와 데이터셋 간에 전이되는 동작 표현을 학습하기 어렵게 하며, 폐쇄 집합 인식을 넘어 웨어러블 IMU를 폭넓게 활용하는 것을 제한한다. 본 논문은 설정 불가지론적 인간 동작 모델링을 위한 기하 인식 프레임워크인 AnyMo를 소개한다. AnyMo는 조밀한 신체 표면 부착 위치에 대한 물리 기반 IMU 시뮬레이션으로 다양하고 그럴듯한 합성 신호를 생성하고, 쌍을 이루는 합성 부착 위치 뷰와 마스킹된 부분 관측으로부터 그래프 인코더를 사전 학습하며, 다중 위치 IMU를 전신 동작 토큰으로 토큰화하고, 이 토큰을 LLM과 정렬하여 동작-언어 이해를 수행한다. 우리는 AnyMo를 세 가지 상호 보완적인 과제, 즉 14개의 보지 못한 다운스트림 데이터셋에 대한 제로샷 활동 인식, 교차 모달 검색, 웨어러블 IMU 동작 캡셔닝에서 평가하였으며, HAR에서 평균 Accuracy/F1/R@2를 11.7%/11.6%/22.6% 향상시키고, 제로샷 IMU-텍스트 및 텍스트-IMU 검색 MRR을 각각 15.9%와 28.6% 높이며, 제로샷 캡셔닝 BERT-F1을 7.5% 개선한다. 이러한 결과는 AnyMo가 실환경 웨어러블 동작 이해를 위한 범용 모델임을 뒷받침한다. 프로젝트 페이지: https://anymo-project.github.io.
As LLM-based agents increasingly browse the web on users' behalf, a natural question arises: can websites passively identify which underlying model powers an agent? Doing so would represent a significant security risk, enabling targeted attacks tailored to known model vulnerabilities. Across 14 frontier LLMs and four web environments spanning information retrieval and shopping tasks, we show that an agent's actions and interaction timings, captured via a passive JavaScript tracker, are sufficient to identify the underlying model with up to 96\% F1 within a fixed harness. Although fingerprints are harness-specific, with cross-harness transfer falling to near chance, pooling traces across harnesses recovers model identification at 0.74 to 0.81 Macro-F1. We further show that strong classifiers can be trained from roughly one third of the available traces, and that identification improves steadily as more events are observed. Injecting randomised timing delays between actions substantially degrades classifier performance, but does not provide robust protection: a classifier retrained on delayed traces largely recovers performance. We release our code and a labelled corpus of agent traces at https://github.com/KabakaWilliam/known_actions.
고차원 데이터의 탐색적 분석은 데이터를 저차원 공간에 임베딩하고, 이를 바탕으로 의미 있는 구조를 드러내고 데이터의 기하적·분포적 특성을 전달하는 시각화 플롯을 생성하는 데 의존한다. 근본적인 실제를 충실히 나타내고 패턴 발견을 촉진하는 시각화 플롯을 만들기 위해 적합한 임베딩 알고리즘 설정, 특히 하이퍼파라미터 설정을 찾는 일은 노동 집약적이며 도메인 지식을 요구한다. 이러한 부담을 덜기 위해 엄밀한 정량 평가와 대규모 언어 모델(LLM) 기반의 정성적 인간 판단 및 통찰 근사를 통합한 에이전트 AI 파이프라인을 제안한다. 시각화 평가와 하이퍼파라미터 최적화를 의미적 과업으로 다룸으로써, 본 시스템은 정량 지표를 서술형 요약과 함께 맥락화하는 다각적 보고서를 생성하고 데이터 시각화를 개선하기 위한 실행 가능한 알고리즘 설정 권고를 제시한다. 반복적 개선 루프를 통해 시스템은 완전 자동화된 방식으로 고품질 시각화 플롯을 신속하게 생성한다.
EEG 분석을 위한 파운데이션 모델은 아직 초기 단계에 있으며, 두 가지 핵심 과제로 인해 제약을 받는다. (1) 기록 기기와 전극 구성의 차이로 인한 데이터셋 간 변동성, (2) 신경 활동이 아티팩트와 비뇌 신호원에 묻히는 경우가 많은 EEG의 낮은 신호 대 잡음비(SNR)이다. 이러한 과제를 해결하기 위해 우리는 EEG 표현 학습을 위한 기기 비종속적이고 잡음에 강건한 파운데이션 모델인 EEG-X를 제시한다. EEG-X는 이질적인 EEG 기기와 전극 배치 전반에서 견고한 전이를 가능하게 하는 위치 기반 채널 임베딩을 도입한다. 잡음에 대한 강건성을 높이기 위해 EEG-X는 원시 잡음 EEG 대신 아티팩트가 제거된 신호를 재구성하는 새로운 잡음 인식 마스킹-재구성 전략을 채택하고, 원시 신호 공간에서 직접 비교하는 대신 구조화된 특징 공간에서 신호를 비교하여 재구성 기반 사전학습을 개선하는 새로운 사전 기반 합성곱 변환(Dictionary-based Convolutional Transformation, DiCT)을 도입한다. 다양한 EEG 기기에서 수집된 데이터셋에 대한 실험에서 EEG-X는 여러 하위 과제에서 최신 방법을 일관되게 능가했으며, 사전학습 데이터셋과 하위 과제 데이터셋의 전극 배치와 기록 구성이 다른 경우에도 강력한 도메인 간 일반화를 보여 파운데이션 모델로 나아가는 길을 열었다. 모델과 코드는 https://github.com/Emotiv/EEG-X 에서 이용할 수 있다.
데이터 주석은 기계학습 기반 기술을 개발하는 데 필수적이지만 비용이 많이 드는 요소로, 데이터셋의 각 데이터 점에 여러 작업자가 반복적으로 레이블을 달아야 한다. 우리는 기준 다수결 레이블과 불일치하는 작업자 응답인 소수 의견 보고서(minority reports)를 식별하여 주석 정확도와 비용 간의 상충 관계를 탐구한다. 이러한 보고서는 불필요한 중복을 나타낼 수 있으며, 따라서 실행되기 전에 선제적으로 제거될 수 있다. 우리는 목표 레이블 품질에서 한 과제에 필요한 반복 주석 횟수와 제거 정책을 선택하기 위한 이론적 프레임워크를 개발한다. 전문 플랫폼을 통해 재주석된 두 컴퓨터 비전 데이터셋에서 소수 의견 보고서의 위험을 추정한 뒤, 할당 스트림에 대해 롤링 정책을 평가하여 기준 다수결 레이블의 99.9% 이상을 보존하면서 반복 작업의 35% 이상을 제거한다.
AI 모델의 복잡한 추론 능력이 커지면서, AI는 과거와 현재의 데이터에 기반해 미래를 체계적으로 예측하는 예측 작업에 매력적인 도구가 되었다. 그러나 AI 예측 시스템이 도입된다면, 이를 구축하고 평가하는 일은 인간 구축자가 떠맡게 된다. 본 논문에서는 최근 AI 예측 대회의 성공적인 참가자 중에서 표집한 예측 봇 구축자 15명을 대상으로 한 질적 인터뷰 연구를 통해 이 작업이 어떤 모습인지 탐구한다. 우리의 분석은 (1) 사실적 조사를 수행하도록 봇을 조정하는 일, (2) 일관된 추론을 구현하는 일, (3) 자신의 봇이 실제로 얼마나 잘 작동하는지 이해하는 일을 둘러싼 어려움을 드러낸다. 작업 중 구축자들은 성과로 이어지지 않는 복잡성을 자주 도입했고, 기회주의적이고 단편적인 방식으로 테스트하였다. 이들의 어려움에 대한 상세한 설명은 예측을 위한 프로세스, 도구, 인간-AI 팀워크의 향후 혁신에서 어떤 문제를 겨냥해야 하는지 명확히 하는 데 도움이 된다.
사용자들은 언어 모델에 정신건강 관련 질문을 하고 답변을 받고 있다. 우리는 동일한 임상 정보가 임상의가 환자를 설명하는 경우, 보호자가 사랑하는 사람을 설명하는 경우, 본인이 자신을 설명하는 경우라는 세 가지 입장에서 전달될 때 41개 언어 모델이 사용자에게 무엇을 권고하는지 감사하였다. 19개의 사례 시나리오와 다섯 가지 질문에 걸쳐 35,055개의 자유 형식 응답을 수집하였고, 검증된 판정기로 언급된 모든 개입을 추출하였으며, 29개 모델이 동일한 사례에 대한 전체 선택지 목록을 7점 리커트 척도로 평가하게 하였다. 모델은 대체로 자신이 높게 평가하는 것을 권고하였으며, 권고 행동은 입장에 따라 달랐고, 많은 모델이 임상의에게는 자문 형식의 응답을, 일반 사용자에게는 완곡하고 단순화된 조언을 제공하였다. 특정 개입 유형에 대한 권고를 물었을 때, 모델들은 스스로 0점 미만으로 평가한 선택지를 초기 선택지로 더 자주 언급하였으며, 대개 조건을 덧붙였다. 우리는 게재 시 측정 도구, 코드, 전체 코퍼스를 지속적으로 갱신되는 감사 자료로 공개할 예정이다.
거대 언어 모델(LLM)은 특히 논쟁적인 주제에 대해 언어와 지역에 따라 서로 다른 설명을 포함하여, 사람들이 정보를 탐색하고 소비하는 방식을 점점 더 매개하고 있다. 다양한 정보 탐색을 지원하려면 모델이 사용자가 여러 언어와 정보 흐름에 걸쳐 경합하는 서사를 탐색하도록 도와야 한다. 본 연구는 다양한 다국어 정보 탐색에 필요한 여섯 가지 능력을 정의한다. 이는 서사 포함, 서사 제외, 누락된 서사 식별이라는 세 가지 기초 능력과, 다양한 서사 제시, 확증적 질의에서의 서사 포괄성 유지, 언어 간 정보 동등성 유지라는 세 가지 상위 능력이다. 이러한 정보 탐색 능력의 개발을 안내하기 위해, 23개 논쟁적 주제에 걸친 23개 출판 언어의 뉴스 기사 1,333건과 Reddit에 기반한 질의 460건으로 구성된 벤치마크인 \textsc{NarrativeBench}를 제안한다. 24개 질의 언어에 걸쳐 14개 LLM을 평가한 결과, 현재의 모델은 다양한 서사를 안정적으로 탐색하는 데 필요한 능력이 부족하며, 이로 인해 사용자가 접하는 관점에 대한 통제력이 제한되고, 다양성을 명시적으로 요청하더라도 경합하는 설명에 대한 노출에 상당한 격차가 남는 것으로 나타났다. 또한 정보 접근은 질의의 틀과 언어에 따라 달라지며, 이는 민주적 담론에 필요한 공통 기반을 약화시키는 에코 챔버, 언어적 필터 버블, 정보 격차의 위험을 초래한다. \textsc{NarrativeBench}는 여러 언어와 지역의 사용자가 다양한 서사를 탐색할 주체성을 갖도록 하는 정보 시스템을 개발하기 위한 기반을 제공한다.
프롬프트 기반 이미지 생성은 시각 자산을 쉽게 만들 수 있게 하지만, 창작 과정에 참여하도록 돕는 지원은 거의 제공하지 않는다. 프롬프트는 서로 의존적인 창작 결정을 하나의 단일한 지시로 뭉뚱그려 완성된 이미지를 돌려주므로, 제어가 프롬프트를 수정하거나 모델의 출력을 바로잡는 데 한정된다. 본 연구는 편집 가능한 계획을 중심으로 구축된 과정 지향 이미지 생성 인터페이스 reComposer를 제시한다. reComposer는 사용자의 변화하는 의도를 주제, 구도, 팔레트와 같은 의미 있는 창작 결정으로 분해하고, 사용자와 협업하여 명확히 정해지지 않은 목표와 대안을 탐색한다. reComposer는 계획에 대한 대화형 조작과 직접 조작을 지원하여 개념 수준의 의도와 시각 수준의 제어 사이를 오갈 수 있게 한다. 디자인 및 비디자인 전문가 8명과 함께 reComposer를 평가하였다. 프롬프트 방식과 비교하여 참가자들은 시각 자산을 개발하고, 대안을 탐색하고, 세부 사항을 반복 수정하는 동안 더 큰 통제감과 소유감을 느꼈다. 이러한 결과는 생성형 AI 상호작용의 초점을 출력의 명세에서 과정의 형성으로 옮기는 것이 자산 제작과 함께 창의적 사고를 어떻게 지원할 수 있는지를 시사한다.
우리는 원격 협업 중 경량 3D 디지털 트윈을 신속하게 생성하고 공유할 수 있게 하는 시선 기반 혼합현실(MR) 시연 시스템 Feel My Focus를 소개한다. 시선을 주로 지시용 포인터로 사용하는 시스템과 달리, Feel My Focus는 지속적인 시각적 주의를 생성적 행위로 취급한다. 물리적 객체에 대한 응시가 단일 이미지 촬영, 주의 유도 분할, 원샷 3D 재구성을 개시하여 원격 파트너가 그 객체를 현장에서처럼 살펴보고 논의할 수 있게 한다. 이 시스템은 시선 추적 안경, 모듈식 분할 및 재구성 서비스, 런타임 스트리밍과 상호작용을 위한 MR 클라이언트를 통합한다. 이 설계는 광도 충실도보다 반응성과 경험의 연속성을 우선시한다. 우리는 공개 시연에서 얻은 관찰 결과를 보고하며, 실제 협업 환경에 시선 기반 생성 시스템을 배포할 때의 설계상 절충, 실패 양상, 사용자 제어 고려 사항을 강조한다.
생성형 에이전트는 계획, 대화, 기억이 대규모 언어 모델(LLM)에 의해 즉석에서 작성되는 게임 캐릭터이다. 원래의 Generative Agents 시연은 맞춤형 시뮬레이션에서 클라우드 추론을 사용하였다. 우리는 Godot 내부에서 실시간 생성형 에이전트를 구현하는 플랫폼인 GARP를 제시하고, GARP 2에서 사용되는 캐릭터 행동 시스템(Character Behavior System)을 설명한다. 전체 루프는 30억 매개변수의 오픈 웨이트 모델을 사용하여 클라우드 서비스 없이 로컬 하드웨어에서 실행된다. 기존의 계획, 기억, 반성과 더불어 GARP는 각 에이전트에 LLM 평가로 구동되는 감정 시스템, 프롬프트 텍스트뿐 아니라 시뮬레이션 매개변수도 설정하는 Big Five에서 가져온 네 개의 단계적 성격 축, 시간이 지남에 따라 긴급도가 커지는 여섯 가지 욕구, 매 대화 후 갱신되는 쌍별 관계를 부여한다. 이 시스템은 50개 이상의 후보 행동을 보통 3~8개로 좁히고, JSON 스키마로 모델 응답을 제약하며, 중요한 기억을 의사결정 프롬프트에 노출한다. 계층적 최적화 전략(조절 가능한 게임 시계, 필요에 앞선 의사결정, 다단계 캐싱, 프롬프트 압축, 완전 비동기 실행)은 모델이 생각하는 동안에도 게임의 응답성을 유지한다. 9개 시나리오 평가에서 27회 실행 중 25회가 로그 기반 검사를 통과했다. 두 번의 실패는 모두 생일 파티 시나리오에서 발생했으며, 한 손님이 일일 계획에서 해당 행사를 누락했다.
인간-AI 상호보완성은 AI 시스템의 도움을 받은 인간이 인간이나 AI가 단독으로 수행할 때보다 더 나은 성과를 낼 수 있다는 개념이다. 예측 과제에서 이러한 향상은 참조 구성 절차를 통해 생성되고 예측 대상인 사태를 나타내도록 의도된 정답 레이블에 대해 평가된다. 그러나 의료 AI가 치료 권고를 제공하는 경우를 포함하여 많은 인간-AI 상호작용은 무엇이 성립하는지를 예측하는 것과는 다른 과제를 다룬다. 이들의 관련 출력은 실천적 목표에 비추어 본 적절성에 관한 것이며 여러 평가 차원에 의존한다. 본 연구에서는 상호보완성이 정답에 의존하는 정도를 검토하고, 정답이 적절한 참조가 아닌 인간-AI 상호작용으로 이를 확장한다. 우리는 예측을 넘어서는 과제에서도 적절성 레이블을 생성하는 참조 구성 절차가 존재할 수 있음을 보인다. 우리는 상호보완성을 이러한 설정으로 확장하는 경로를 개발한다. 이 경로는 정답 레이블을 의료 분야의 다기준 의사결정 분석 프레임워크에서 착안한 2단계 점수화 방법론으로 생성되는 맥락 의존적 적절성 레이블로 대체하며, 참조 구성의 근간이 되는 규범적 선택을 명시적으로 드러낸다. 적절성 레이블의 구성에는 평가적 선택이 내재하므로, 우리는 계산적 신뢰성주의에서 방법론적 영감을 얻어 그 구성을 뒷받침하는 데 관련된 기술적, 과학적, 사회적 요인을 식별한다. 우리의 접근은 인간-AI 상호보완성의 실증 연구를 예측 과제 너머로 확장하여, 정답이 적절한 평가 기준이 아닌 의사결정 지원 환경에서도 이를 정량적으로 평가할 수 있게 한다.
자살 사고(SI)나 심리적 고통을 겪는 개인은 LLM에 도움을 구할 때 자신의 사회적 정체성을 밝힐 수 있다. 정체성과 관련된 스트레스 요인에 주목하는 것은 맥락에 적합하고 공감적인 지원을 제공하는 데 중요할 수 있다. 그러나 정체성을 밝혔다고 해서 반드시 그것이 고통의 원인인 것은 아니다. 본 연구에서는 LLM이 밝혀진 정체성을 통해 고통을 어떻게 해석하는지 감사(audit)한다. 쌍을 이룬 반사실적 개입을 사용하여, 두 개의 SI 및 고통 데이터셋, 16개의 정체성 및 통제 조건, 두 가지 프롬프팅 프로토콜에 걸쳐 여섯 개의 LLM을 평가한다. 연구 결과는 모델이 정체성 공개를 설명적 서사로 변환하여, 고통을 정체성과 관련된 것으로 추정되는 역경 탓으로 돌릴 수 있음을 시사한다. 이러한 가정은 다른 면에서는 공감적인 응답 안에서 자주 나타나며, 특히 소외된 정체성이 밝혀졌을 때 그러하다. 우리는 연민적 타자화(compassionate othering)의 관점에서 연구 결과를 맥락화하여, 이러한 양상을 공감적 응답이 개인의 고통에 정체성과 결부된 가정을 부과하는 일종의 해악으로 규정한다. 이러한 응답은 뒷받침하는 증거 없이 개인의 정체성을 고통의 설명으로 취급함으로써 개인의 경험을 잘못 재현할 수 있다. 연구 결과는 고통에 대한 해석을 개인의 진술에 근거하게 하고, 뒷받침되지 않는 정체성 연계 가정을 피함으로써 이러한 해악을 완화할 필요가 있음을 강조한다.
LLM 에이전트의 백엔드 모델이 업그레이드되거나 교체될 때, 운영자는 보통 동일한 페르소나, 메모리, 규칙을 새 모델에 다시 불러오고 에이전트가 이전과 동일하게 행동하리라 가정한다. 본 연구는 이 가정이 실증적 검증을 필요로 하며, 정체성이 보존되는지 여부는 특정 모델 조합에 달려 있음을 보인다. 세 가지 오픈 웨이트 모델로 12개 규제 도메인에서 수행한 5,760회의 규정 준수 테스트 실행 전반에서, 에이전트의 외부 상태가 동일하더라도 일부 전환은 유의미한 행동 변화를 낳고 다른 전환은 그렇지 않음을 확인한다. 결정적으로 이러한 변화는 언어적 검증으로는 드러나지 않는다. 모든 모델이 정책을 완전히 준수한다고 주장하지만, 압박 상황에서의 실제 결정은 모델마다 다르다. 동일한 외부 상태가 어느 모델이 가장 잘 준수하는지의 순위를 바꿀 수 있으며, 한 기반 모델에서는 큰 양의 효과가 나타나고 나머지 두 모델에서는 무시할 만하다. 실무자는 모델 전환을 투명한 인프라 작업이 아니라 행동 수준의 실증적 테스트가 필요한 행동 변화로 다루어야 한다.
최근 비전-언어 모델(VLM)의 발전으로 AI 시스템이 에고센트릭 영상을 해석할 수 있게 되었다. 그러나 지속적인 시각 정보 수집은 민감한 콘텐츠가 어디에나 존재하고 사용자와 상황에 따라 다르기 때문에 프라이버시 문제를 제기한다. 본 논문은 하위 작업의 지원에 유용한 맥락은 유지하면서 개인의 선호에 따라 어떤 시각 콘텐츠를 가릴지 결정하는 개인화된 프라이버시 추론 시스템인 EgoVeil을 제시한다. 이 시스템은 국소화된 시각 영역을 구조화된 의미 관찰로 변환하고, 프라이버시 추론기를 명시적인 사용자별 메모리와 결합하여 개인화된 프라이버시 추론을 수행한다. 이러한 설계는 선호 증거가 누적됨에 따라 개인화와 지속적 적응을 지원한다. 사용자 간 시간순 프로토콜 하에서 스마트 글래스 사용자 10명의 실제 환경 데이터로 평가한다. EgoVeil은 91.93%의 균형 정확도와 84.42%의 마스크 재현율을 달성하여 직접 VLM 기준선 및 기타 통제된 프라이버시 추론 기준선을 능가한다. 결과는 개인화되고 적응적인 프라이버시 추론이 효과적인 스마트 글래스 지원에 필요한 시각적 맥락을 유지하면서 프라이버시 보호를 개인 선호에 더 잘 부합시킴을 보여준다.
AI assistants advise users about diet, exercise, and weight loss---areas in which unsafe guidance can worsen body dissatisfaction, dietary restriction, compulsive exercise, and other behaviors associated with eating disorders (EDs). Existing evaluations emphasize diagnostic accuracy, overtly harmful prompts, or synthetic scenarios, providing limited insight into whether models recognize implicit vulnerability in natural interactions or protect users consistently. We evaluate responses from three open-weight large language models to 100 questions sourced from an online pro-anorexia community. We grade responses using clinically informed criteria that extend a seven-dimensional taxonomy of ED-related harms. We also construct matched conditions in which questions are accompanied by information about the user varying race, gender, body mass index (BMI), and explicit ED vulnerability. Safety varies substantially across models and harm dimensions. High-risk responses are approximately twice as frequent without bios, suggesting that models do not consistently recognize vulnerability from language alone. Explicit signals of ED vulnerability improve safety by 10--14 points across models. Responses also differ significantly by race, gender, and BMI, with body size producing the largest disparities. These patterns are consistent with reliance on the stereotype that EDs primarily affect thin, White women, potentially leaving users outside this profile with less protective responses.
대화형 AI 사용이 심리에 미치는 영향에 대한 종단적 증거는 아직 부족하다. 우리는 성인 114명을 대상으로 한 설문 연구를 보고한다. 이들은 AI를 사용하는 동기(도피, 사회적, 오락, 도구적 이유)를 보고하고 1년 후 문제적 AI 사용 수준을 보고하였다. 모든 유형에서 AI 동기가 높을수록 이후의 문제적 AI 사용을 예측하였으며, 특히 참가자들이 감정을 관리하고 어려움을 극복하기 위해 AI에 의존한 경우에 그러했다. 이러한 결과는 AI 동기가 잠재적인 문제적 사용의 조기 경고 신호로 활용될 수 있음을 시사하며, 특히 개인이 시간이 지남에 따라 정서적 목적으로 AI를 사용하는 경우에 그러하다.
기업용 플랫폼은 소셜 네트워크와 웹의 핵심 구성요소로서 점점 더 많은 관심을 받고 있다. 그러나 기존 연구는 대개 이메일과 채팅 같은 작은 업무 단위의 단편적인 로그에 의존하며, 협업의 내용과 동역학을 충분히 고려하지 않은 채 누가 누구와 연결되는지에 초점을 맞춘다. 본 연구는 장기 동역학을 해석하는 새로운 접근으로서 일련의 회의에 걸친 협업 추적을 체계적으로 탐구한다. 한 대형 다국적 기술 기업의 회의 45,426건을 전체 녹취록과 추출된 160만 개의 안건 항목에 기반하여 연결함으로써, 6,065개 협업으로 이루어진 회의 간 협업 네트워크를 구축한다. 이 네트워크는 직장 내 협업의 자연스러운 형태를 복원한다. 진행 중인 협업의 스냅샷인 회의는 대체로 트리 형태의 구조로 연결되며, 업무 내용은 중첩된 방향성 비순환 그래프(DAG)를 이룬다. 또한 과업 분담, 팀 구성, 시간적 연속성이라는 세 가지 기존 관점에서 이러한 네트워크가 시간에 따라 어떻게 진화하는지 살펴본다. 각 관점은 동역학의 일부를 설명하지만 장기 직장 협업의 고유성을 포착하지는 못한다. 예컨대 업무는 소수의 주제 쌍 사이에서 일관된 방향으로 흐르지만, 협업의 주제는 회의가 어떻게 진행되는지를 거의 설명하지 못한다. 대신 각 트리를 따라 회의의 안건, 상호작용, 언어를 누적하면 협업의 시그니처가 얻어지며, 이는 보류된 회의가 속한 협업을 우연 수준의 4.5배로 식별해 내는 독특한 프로파일이다. 이 시그니처는 다음 회의 예측과 트리 수준 적합에서 팀 관점이나 과업 관점을 개별적으로 또는 결합하여 사용하는 것보다 협업을 더 잘 모델링한다. 우리는 이러한 회의 간 동역학이 사무용 애플리케이션과 지원 도구 설계에 주는 시사점을 논의하고, 협업을 장기적 관점에서 표현하는 차세대 웹 시스템을 촉구한다.
표면 부착형 진동 센싱은 스마트 농장과 같은 다양한 유비쿼터스 컴퓨팅 시나리오에서 높은 시간 충실도로 비침습적 구조 모니터링을 제공하지만, 구조 전파파 모델은 물리적 위치 이동과 구조 변화에 취약하다. 그러나 이러한 공간적 데이터 불연속성을 해결하는 일은 비용이 많이 드는 수동 재보정, 데이터 기반 합성의 불충분한 물리적 근거, 수치 디지털 트윈의 상당한 시뮬레이션-현실 격차로 인해 여전히 제한적이다. 노동 집약적인 데이터 재수집 없이 이러한 공간적 병목을 해결하기 위해, 우리는 구조 전파파의 유도 경로를 나타내는 단안 비전 기반 전파 가능성 지도(Vision-Derived Propagation Possibility Map)와 일시적 음원 운동 및 암묵적 재료 역학을 나타내는 시각 특징 지도(Visual Feature Map)를 결합하여, 희소한 참조 관측으로부터 측정되지 않은 목표 좌표의 진동 응답을 합성하는 물리 일관적 공간 증강 프레임워크 VeV를 제안한다. 서로 다른 구조를 가진 1,237 센서-시간 규모의 어미 돼지와 새끼 돼지 농장에서 평가한 결과, VeV는 데이터 기반 기준선 대비 파형 복원 MSE를 57.5% 이상 줄이고 최대 81.69%의 제로샷 분류 정확도를 달성하며, 단 30~50개의 보정 청크만으로 최고 성능에 도달하여 콜드 스타트 재학습 부담을 효과적으로 없애고, 인간 중심의 바닥 진동 센싱과 환경 지능으로 확장되는 확장 가능한 기반을 마련한다.
의료 초음파(US)는 실시간 비침습 진단을 가능하게 하지만, US 기반 AI 시스템 구축은 데이터 부족, 비용이 많이 드는 전문가 주석, 제한적인 센터 간 일반화 가능성으로 제약받는다. 프라이버시 제약과 인스턴스 수준 보고는 다양한 이상 사례와 프레임 수준 레이블의 수집을 어렵게 하고, 새로운 센터를 위한 반복 재학습은 계산 비용을 증가시킨다. 우리는 확산 모델링을 정보 이론적 목적 함수, 진화적 탐색, 커리큘럼 기반 샘플링과 통합하여 이질적인 US 데이터셋 전반에서 유익한 샘플을 선택하는 생성적 능동 학습 프레임워크 EvoDiff를 제안한다. EvoDiff는 샘플 선택을 생성 후 검색(generate-to-retrieve) 과정으로 정식화하며, 정보 이득으로 유도되는 특징 공간에서의 확산 기반 최적화가 합성 프로브를 만들고, 이 프로브로 검색된 실제 비레이블 샘플만 주석을 달아 하위 학습에 사용한다. 15개 데이터셋과 16,696장의 이미지를 아우르는 여섯 가지 벤치마크에서 합성곱 신경망과 트랜스포머 기반 파운데이션 모델에 대해 EvoDiff를 평가한다. EvoDiff는 훨씬 적은 레이블로 완전 지도 학습 성능에 근접하고, 능동 학습 베이스라인을 능가하며, 보지 못한 코호트에 대한 교차 도메인 외부 검증에서 파운데이션 모델의 일반화를 향상시킨다. 여섯 명의 영상의학과 의사가 참여한 판독자 연구는 임상 주석 작업 흐름을 지원할 잠재력을 시사하며, 모델 기반 추정으로 동일한 하위 성능에서 주석 작업량이 24%에서 84% 감소한다.