PyTorchKR Papers

업데이트된 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2410.13013v2cs.CL공식 코드 · Papers with Code

LEGAL-UQA: 영어-우르두어 병렬 벤치마크로 우르두어 화자를 위한 헌법 질의응답 시스템 시험하기

LEGAL-UQA: Testing Constitutional Question-Answering Systems for Urdu Speakers with a Parallel English-Urdu Benchmark

법률 정보 어시스턴트는 우르두어 화자가 자신의 헌법적 권리를 이해하도록 도울 수 있으나, 신뢰할 수 있는 시스템을 구축하려면 해당 언어에 적합한 시험 데이터와 평가 방법이 필요하다. 우리는 파키스탄 헌법의 구절과 연결된 619개의 질문-답변 쌍으로 구성된 영어-우르두어 병렬 벤치마크인 LEGAL-UQA를 제시한다. 각 예시는 질문, 참조 답변, 출처 구절을 두 언어로 모두 포함한다. 우리는 두 가지 구성요소를 별도로 평가한다. 하나는 출처 구절이 주어졌을 때 우르두어 질문에 답하는 것이고, 다른 하나는 각 질문이 생성된 출처 구절을 검색하는 것이다. 또한 자동 판정자로 사용되는 의사결정 모델인 JEV를 사람의 채점과 비교한다. 연구 결과, 모델 순위는 답변 유사도를 측정하는 방식에 따라 달라지며, 단순한 단어 매칭 방법이 시험한 임베딩 방법보다 출처 구절을 더 효과적으로 검색한다. 평가된 임계값에서 JEV는 모든 답변에 만점을 부여하는 기준선보다 사람의 채점과 덜 자주 일치한다. 또한 감사를 통해 생성된 참조 답변이 출처가 뒷받침하는 정보를 누락한 사례도 확인된다. 종합하면 이러한 결과는 우르두어 화자를 위한 법률 QA 소프트웨어를 설계할 때 검색과 답변을 별도로 시험하고, 단순한 검색 기준선을 포함하며, 자동 판정자와 참조 답변을 사람의 검토로 검증할 필요가 있음을 강조한다.

arXiv:2501.08686v2cs.DB공식 코드 · Papers with Code

스키마 매칭을 위한 지식 그래프 기반 검색 증강 생성

Knowledge Graph-based Retrieval-Augmented Generation for Schema Matching

전통적인 유사도 기반 스키마 매칭 방법은 상식 및 도메인 특화 지식이 부족하여 복잡한 도메인 특화 매핑에서 의미적 모호성과 충돌을 해결하지 못한다. 한편 배경지식이 충분하지 않은 대규모 언어 모델(LLM)은 환각을 일으키는 경향이 있어 스키마 매칭을 더욱 복잡하게 만든다. 이러한 한계를 극복하기 위해 우리는 스키마 매칭을 위한 지식 그래프 기반 검색 증강 생성인 KG-RAG4SM을 제안한다. 이 방법은 LLM 기반, 벡터 기반, 그래프 순회 기반, 하이브리드 기법을 포함한 새로운 검색 메커니즘과 고급 재순위화 기법을 통합하여, 대규모 외부 지식 그래프에서 가장 관련성 높은 부분 그래프를 추출한다. 우리의 접근법은 재학습 없이도 우수한 결과를 달성하였으며, MIMIC 데이터셋에서 LLM 기반 최신 기술(SOTA) 방법(예: Jellyfish-8B) 대비 정밀도 39.79%, F1 점수 30.56%의 향상을, Synthea 데이터셋에서 사전 학습 언어 모델(PLM) 기반 SOTA 방법(예: SMAT) 대비 정밀도 69.20%, F1 점수 21.99%의 향상을 보였다. 또한 KG-RAG4SM은 상식 지식 그래프부터 도메인 특화 지식 그래프에 이르기까지 효과적으로 확장되며, 명령어 튜닝 지식 배제 구성요소는 지식 그래프 맥락의 관련성이 최적이 아닌 경우에도 종단 간 스키마 매칭 과제에서 진실한 성능을 보장한다. 실제 시나리오에 대한 실증 분석과 사례 연구는 스키마 매칭에서 LLM의 환각 문제가 우리의 해법으로 잘 완화됨을 보여준다.

arXiv:2403.11207v3cs.CV공식 코드 · Papers with Code

MindEye2: 피험자 공유 모델로 1시간의 데이터만으로 fMRI에서 이미지 복원

MindEye2: Shared-Subject Models Enable fMRI-To-Image With 1 Hour of Data

뇌 활동으로부터 시각 지각을 재구성하는 기술은 크게 향상되었으나, 이러한 방법의 실용성은 제한적이었다. 이는 이러한 모델이 피험자별로 독립적으로 학습되며, 각 피험자가 고품질 결과를 얻기 위해 수십 시간에 달하는 고비용 fMRI 학습 데이터를 필요로 하기 때문이다. 본 연구는 단 1시간의 fMRI 학습 데이터만으로 고품질 재구성을 달성함을 보인다. 7명의 피험자에 걸쳐 모델을 사전학습한 뒤, 새로운 피험자의 최소한의 데이터로 미세조정한다. 새로운 기능적 정렬 절차는 모든 뇌 데이터를 피험자 공유 잠재 공간으로 선형 사상하고, 이어서 공유된 비선형 사상을 통해 CLIP 이미지 공간으로 매핑한다. 그다음 Stable Diffusion XL이 텍스트 대신 CLIP 잠재 벡터를 입력으로 받도록 미세조정하여 CLIP 공간에서 픽셀 공간으로 매핑한다. 이 접근법은 제한된 학습 데이터에서 피험자 외 일반화를 향상시키며, 단일 피험자 접근법과 비교하여 최첨단 이미지 검색 및 재구성 지표도 달성한다. MindEye2는 MRI 시설을 한 번 방문하는 것만으로도 지각의 정확한 재구성이 가능함을 보여준다. 모든 코드는 GitHub에서 공개되어 있다.