확산 모델(Diffusion Models, DM)의 급격한 발전은 이미지 및 비디오 응용 분야를 크게 발전시켜 "원하는 것을 그대로 보는 것(what you want is what you see)"을 현실로 만들었습니다. 이 중 비디오 편집은 상당한 주목을 받으며 연구 활동이 급증하고 있어, 기존 문헌에 대한 포괄적이고 체계적인 검토가 필요한 시점입니다. 본 논문은 이론적 토대와 실질적인 응용을 포함한 확산 모델 기반 비디오 편집 기법을 검토합니다. 먼저 수학적 정식화와 이미지 도메인의 주요 방법들을 개괄합니다. 이어서 핵심 기술 간의 고유한 연결성을 바탕으로 비디오 편집 접근법을 분류하여 발전 궤적을 묘사합니다. 또한 본 논문은 포인트 기반 편집과 포즈 유도 인간 비디오 편집을 비롯한 새로운 응용 분야도 다룹니다. 아울러 새로 소개하는 V2VBench를 사용한 종합적인 비교를 제시합니다. 본 논문은 지금까지 달성된 진전을 기반으로, 현재 직면한 과제와 향후 연구를 위한 잠재적 방향을 제시하며 마무리합니다.
주가 예측은 항상 도전적인 과제였다. 많은 연구 프로젝트가 이 문제를 해결하고자 시도하지만, 주가 간에 존재하는 다양한 수준의 의존성에 주목한 연구는 거의 없다. 본 논문에서는 인접한 주가 간의 의존성을 강조하여 주가 예측 성능을 향상시키는 하이브리드 모델을 소개한다. 제안된 모델인 ResNLS는 주로 ResNet과 LSTM이라는 두 가지 신경망 아키텍처로 구성된다. ResNet은 주가 간의 의존성을 식별하기 위한 특징 추출기(feature extractor) 역할을 하며, LSTM은 잔차(residuals)로 간주되는 의존성 정보와 결합하여 초기 시계열 데이터를 분석한다. 실험 결과, 이전 5영업일 연속 종가 데이터를 입력으로 사용할 때 해당 모델(ResNLS-5)의 성능이 다른 입력을 사용한 경우에 비해 최적임을 보여준다. 또한 ResNLS-5는 현재 SOTA(최첨단) 베이스라인 대비 최소 20%의 성능 향상을 입증한다. ResNLS-5가 고객이 주식 시장에서 위험을 효과적으로 회피하고 수익을 올리는 데 도움을 줄 수 있는지 검증하기 위해 백테스팅을 위한 퀀트 트레이딩 프레임워크를 구축하였다. 그 결과, ResNLS-5의 예측을 기반으로 한 트레이딩 전략이 주가 하락기에는 손실을 성공적으로 완화하고 주가 상승기에는 수익을 창출할 수 있음을 보여준다.
대규모 언어 모델(LLM)은 다양한 영역에서 상당한 성공을 거두었습니다. 그러나 인과 문제와 인과 이론의 본질적인 복잡성으로 인해 이를 자연어로 정확하게 기술하기 어렵고, 이로 인해 LLM이 이를 효과적으로 이해하고 활용하는 데 어려움이 있습니다. 인과적 방법은 자연어를 통해 쉽게 전달되지 않으며, 이는 LLM이 이를 정확하게 적용하는 능력을 저해합니다. 또한 인과 데이터셋은 일반적으로 표(tabular) 형태인 반면, LLM은 자연어 데이터 처리에 뛰어나므로 표 형식 데이터에 대한 효과적인 추론을 방해하는 구조적 불일치가 발생합니다. 이러한 문제를 해결하기 위해, 본 연구에서는 LLM에 에이전트 프레임워크 내에서 인과 도구를 탑재한 Causal Agent를 개발하여 인과 문제를 해결할 수 있도록 했습니다. Causal Agent는 도구, 메모리, 추론 모듈로 구성됩니다. 도구 모듈에서 Causal Agent는 Python 코드를 호출하고 캡슐화된 인과 함수 모듈을 사용하여 표 형식 데이터를 자연어와 정렬합니다. 추론 모듈에서 Causal Agent는 도구와의 다중 반복 과정을 통해 추론을 수행합니다. 메모리 모듈에서 Causal Agent는 고유한 이름을 키로 하고 인과 그래프를 값으로 하는 딕셔너리 인스턴스를 유지합니다. Causal Agent의 인과 능력을 검증하기 위해, 변수 수준, 엣지 수준, 인과 그래프 수준, 인과 효과 수준의 4개 수준 인과 문제로 구성된 Causal Tabular Question Answer(CausalTQA) 벤치마크를 구축했습니다. CausalTQA는 이 4개 수준에 걸쳐 약 1.4K개의 질문으로 구성됩니다. Causal Agent는 4개 수준의 인과 문제에서 모두 80% 이상의 정확도를 기록하며 뛰어난 효능을 입증했습니다. 실제 데이터셋인 QRData를 통한 검증에서 Causal Agent는 기존 최고 성능(SOTA)보다 6% 더 높은 결과를 달성했습니다. 추가적인 통찰과 구현 세부 사항을 위한 코드는 GitHub 저장소(https://github.com/kairong-han/causal_agent)에서 확인할 수 있습니다.