ReCal: RL 기반 LLM 라우팅을 위한 보상 보정
ReCal: Reward Calibration for RL-based LLM Routing
RL 기반 LLM 라우팅에서 다양한 목표와 인스턴스 간 변동성으로 인한 최적화 편향 문제를 해결하기 위해 ReCal(보상 보정) 프레임워크를 제안합니다. 계층적 보상 분해와 분포 인식 최적화 전략을 통해 학습 신호의 품질을 높여 라우팅 성능과 학습 안정성을 개선했습니다.
ReCal: Reward Calibration for RL-based LLM Routing
RL 기반 LLM 라우팅에서 다양한 목표와 인스턴스 간 변동성으로 인한 최적화 편향 문제를 해결하기 위해 ReCal(보상 보정) 프레임워크를 제안합니다. 계층적 보상 분해와 분포 인식 최적화 전략을 통해 학습 신호의 품질을 높여 라우팅 성능과 학습 안정성을 개선했습니다.
Brick: Spatial Capability Routing for the Mixture-of-Models (MoM) Paradigm
기존 LLM 라우터의 한계를 극복하기 위해 여러 능력 차원과 쿼리 난이도 추정을 결합한 다중모드 라우터인 Brick을 제시하며, 이는 비용 페널티 기하학적 규칙을 통해 디스패치한다. Brick은 최고 단일 모델보다 높은 정확도를 달성하거나 동등한 성능에서 최대 22배 이상의 비용 절감과 지연 시간 단축 효과를 보인다.
ATLAS: Active Theory Learning for Automated Science
기계론적 모델링을 통해 과학적 이해를 발전시키려면 최대한 정보를 제공하는 데이터를 얻기 위해 올바른 실험적 질문을 제기해야 합니다. 인지 과학 내에서 이러한 과정을 자동화하기 위해, 우리는 해석 가능한 행동 모델을 데이터 기반으로 발견하는 능동 학습 프레임워크인 ATLAS (Active Theory Learning for Automated Science)를 소개합니다. ATLAS는 다양한 희소 신경망(sparse neural networks) 앙상블(Disentangled RNNs)로 구체화된 기계론적 가설을 생성하는 것과 이들을 최적으로 구별하는 실험을 설계하는 것을 반복합니다. 우리는 밴딧 작업에서의 행동으로부터 강화학습 에이전트를 복원하는 문제에 대해 이 접근 방식을 테스트합니다. ATLAS는 기저 에이전트 특성에 맞춰진 시간적 구조를 가진 질적으로 새로운 실험의 다양한 시퀀스를 설계합니다. 이러한 실험에서 학습된 모델들은 행동적, 구조적, 계산적 유사성을 포착하는 기계론적 모델링을 위한 포괄적인 메트릭 세트에 대해 평가됩니다. ATLAS는 무작위 실험과 비교하여 모든 메트릭에서 샘플 효율성 면에서 5-10배의 향상을 달성했으며, 문헌에서 파생된 전문가 설계 실험에 대해서도 그 성능이 추가로 검증되었습니다. 이러한 실리코(in silico) 결과는 ATLAS가 과학적 탐구가 기계론적 모델 발견에 의존하는 인지 과학 및 기타 도메인에서 인간이 해석 가능한 통찰을 가속화할 잠재력을 보여줍니다.
Finding Multiple Interpretations in Datasets
본 논문에서는 손실(loss)이나 정확도(accuracy) 측정 측면에서 성능이 유사하지만 문맥 인지(context-aware) 특성이 현저히 다른 모델 집합을 찾기 위한 접근법을 제안합니다. METABRIC 데이터셋(dataset)에 대한 실험을 통해, 제안된 방법이 성능 저하 없이 대조 방법론이 찾아낸 모델들보다 유전자 발현(gene expression)이 현저히 다른 여러 모델을 찾아낼 수 있음을 보여줍니다. 우리는 연구 대상인 기저 현상에 대한 통찰을 얻기 위해 모델의 전역적 특성을 분석하려는 모든 상황에서 제안된 방법론이 중요하다고 주장합니다.
Quantum Occam Learning: Sample-Supported Expressibility for Circuit-Based Quantum Learning
양자 머신러닝의 핵심 원리 중 하나는 ansatz가 관심 있는 양자 데이터를 표현하기에 충분한 표현력을 갖추어야 한다는 것이다. 그러나 표현력은 미지의 양자 상태로부터 유한히 많은 사본(copy)으로 학습될 수 있는 범위에서만 통계적으로 의미를 갖는다. 본 연구에서는 유한 크기의 양자 회로로 생성된 양자 데이터에 대한 정보 이론적 Occam 이론을 제안한다. 최대 $G$개의 2-큐비트 게이트로 준비 가능한 $n$-큐비트 순상태(pure state)의 클래스 $S_{n,G}$에 대해, metric-entropy 논증은 회로 제한(circuit-limited) 영역에서 실현 가능한 샘플 법칙 $\widetildeΘ(G/ε^2)$를 제공한다. 임의의 소스 $\hatρ$에 대해, 최적 $G$-게이트 근사 오차 $d_G(\hatρ)$와 근사 회로 복잡도 $C_η(\hatρ)$를 도입한다. 불가지론적(agnostic) 양자 Occam 정리를 증명한다: $M$개의 사본으로, 최적 $G$-게이트 근사 오차에 통계적 패널티 $\widetilde{O}(\sqrt{G/M})$를 더한 수준까지 학습할 수 있다. 이어서, 데이터가 정당화하는 회로 복잡도를 선택하는 oracle inequality를 갖는 적응형 모델 선택 정리를 통해, $G$를 사전에 알 필요가 없도록 한다. 일치하는 하한은 샘플 지원 표현력 법칙을 제공한다: trace distance 정확도 $ε$에서, $M$개의 샘플은 (로그 인수와 $2^n$에서의 토모그래피 포화까지 고려하여) $G_{\rm supported} \simeq Mε^2$개의 게이트만 지원할 수 있다. 따라서 회로 복잡도는 정적 약속(static promise)이 아니라 적응적 통계적 자원이 된다. 본 프레임워크는 유계(bounded) 회로 복잡도를 양자 머신러닝을 위한 모델 선택 원리로 전환한다.
TimeRouter: Efficient and Adaptive Routing of Time-Series Foundation Models
시계열 파운데이션 모델(TSFMs)은 등장하는 에이전트 기반 시계열 시스템 내에서 예측 전문가로 점점 더 많이 활용되고 있습니다. 그러나 TSFMs는 이질적인 귀납적 편향을 보이며, 어떤 단일 모델도 모든 예측 환경에서 일관되게 우위를 점하지 못하여 전문가 선택이 중요한 과제가 되었습니다. 기존 시스템은 종종 이러한 결정을 대규모 언어 모델(LLM) 기반 컨트롤러에 위임하여 상당한 추론(inference) 오버헤드를 초래합니다. 본 논문에서는 경량 판별형 라우팅, 선택적 게이팅, 앙상블 폴백(ensemble fallback)을 통해 사전학습된 TSFM 풀 전체의 경험적 상호 보완성을 활용하는 효율적인 라우팅 프레임워크인 TimeRouter를 제시합니다. 구체적으로, TimeRouter는 학습 가능한 라우팅 헤드, 선택적 게이트, 앙상블 폴백을 결합하여 추론(inference) 시간에 LLM을 호출하지 않고도 적응형 전문가 선택을 가능하게 합니다. TimeRouter는 GIFT-EVAL 리더보드에서 0.6765의 LB MASE를 기록하며 최첨단(state-of-the-art) 성능을 달성했습니다. 벤치마크 성능을 넘어, 본 연구의 소거 연구(ablation study)는 TSFM 라우팅 설계에 대한 경험적 통찰을 제공하며 풀 구성과 선택적 게이팅의 중요성을 강조합니다. 이러한 결과들을 종합해 볼 때, TimeRouter는 파운데이션 모델 풀 기반의 미래 에이전트 시계열 시스템을 위한 모듈형이고 경량한 라우팅 층(layer)으로 자리매김합니다. 본 연구의 코드는 https://github.com/UConn-DSIS/TimeRouter에서 확인할 수 있습니다.
Family-Aware Residual Architecture for Predicting Quantum Circuit Simulation Performance
근사 텐서 네트워크 시뮬레이터는 정확한 방법으로는 접근할 수 없는 양자 회로의 고전 시뮬레이션을 가능하게 하지만, 결합 차원 임계값(bond dimension thresholds)과 같은 최적의 근사 매개변수를 선택하는 것은 여전히 비용이 많이 드는 시행착오 과정입니다. 우리는 회로의 OpenQASM 설명과 실행 컨텍스트만 주어지면, 목표 충실도(target fidelity)를 달성하는 데 필요한 최소 근사 임계값과 양자 회로 시뮬레이션의 예상 실제 경과 시간(wall-clock runtime)을 모두 예측하는 패밀리 인식 신경망 아키텍처를 제시합니다. 우리의 핵심 통찰은 서로 다른 알고리즘 패밀리(예: QFT, Grover, VQE)의 양자 회로가 서로 다른 얽힘 구조로 인해 근본적으로 구별되는 시뮬레이션 비용 프로필을 보인다는 것입니다. 우리는 확립된 조건부 계산 기법을 활용하여 공통 백본 위에 덧셈 방식의 패밀리 특정 조정을 적용하는 패밀리 조건부 잔차 보정을 사용하여, 모델이 보편적인 회로 속성과 알고리즘적 뉘앙스를 모두 포착할 수 있게 합니다. 이 아키텍처는 사전학습된 패밀리 분류기(97.5% 정확도)와 게이트 구성 휴리스틱에서 파생된 영역 지식 기반 알고리즘 지문 특징을 통합합니다. 10개 알고리즘 패밀리에 걸쳐 7~130큐비트에 이르는 회로에서 평가한 결과, 우리 시스템은 79.5%의 정확한 임계값 정확도(한 단계 이내 91.2%)와 $R^2 = 0.82$의 런타임 상관관계를 달성했으며, 추론은 약 50ms 만에 완료되어 수분에서 수시간이 걸릴 수 있는 시행착오 시뮬레이션 실행을 대체합니다. 소거 연구(ablation studies)는 패밀리 인식 모델링이 가장 큰 성능 향상(+3.2%p)을 제공함을 확인시켜 주며, 이는 알고리즘 패밀리가 시뮬레이션 비용 예측을 위한 일급 특징(first-class feature)이라는 가설을 검증합니다.
Gumbel-BEARD: Automatic Layer Selection for Self-Supervised Adaptation of Whisper in Low-Resource Domains
음성 파운데이션 모델은 도메인 불일치와 데이터 부족으로 인해 저자원 도메인에서 종종 어려움을 겪습니다. 우리는 엔드-투-엔드 학습 가능한 하드 Gumbel-Softmax 선택기를 통해 Whisper 인코더 층 선택을 자동화하는 도메인 적응 프레임워크인 Gumbel-BEARD를 제안합니다. 이는 수동 튜닝 없이 목표 음향 특성에 동적으로 적응하는 BEST-RQ 목적 함수를 통해 자기지도 적응을 가능하게 합니다. MyST 아동 음성 말뭉치에 대한 실험은 효율성과 확장성을 입증합니다: 미세조정을 위해 10시간의 레이블된 데이터만으로도, 우리의 방법은 전체 133시간 레이블된 세트로 훈련된 완전 지도 기준선(baseline)과 일치합니다. 우리는 MyST에서 Whisper-medium을 사용하여 8.21%, OGI Spontaneous 데이터셋에서 Whisper-small을 사용하여 11.06%라는 새로운 최첨단 단어 오류율(WER)을 달성했습니다. CORAAL에 대한 평가는 최대 6%의 상대 WER 감소를 통해 성인 방언 도메인 이동(domain shift)에 대한 강건성을 추가로 확인시켜 주며, 다양한 저자원 조건에서의 우리 접근 방식의 일반화 가능성을 강조합니다.
Small Experiments, Cheaper Decisions: A Case Study in Staged Promotion for Micro-Pretraining
짧은 사전학습 실행은 실험 비용을 줄일 수 있지만, 아주 적은 규모에서만 강력해 보이는 설정들을 과도하게 승격할 위험도 있습니다. 우리는 Windows A100과 Linux L40S라는 두 개의 이기종 호스트 블록에서 고정된 마이크로 사전학습 러너(micro-pretraining runner)를 대상으로 검증 가능한 단계적 승격(staged-promotion) 프로토콜을 연구합니다. 12개의 사전 스크리닝된 설정에서 시작하여, 비용이 많이 드는 연속 학습 이전에 고정된 승격 규칙을 적용하며 2분, 5분, 10분, 60분, 12시간의 단계별 예산을 사용합니다. 초기 스크린은 의도적으로 불안정한 것으로 간주됩니다. 5분 및 10분 순위는 호스트에 민감하며, 최종 12시간 최상위 조건은 복제된 10분 게이트(gate)에서의 평균 최상 조건과 다릅니다. 단계별로 시드 범위가 다르기 때문에, 이러한 변화는 시드 내 곡선이 아닌 운영적 승격 증거로 해석됩니다. 복제된 60분 게이트는 승격된 세트 내에서 단계적 요인 스크리닝(Staged Factorial Screening) 브리지 참조를 유지하며, 이는 4개의 60분 호스트-시드 셀(host-seed cells) 모두에서 1위를 기록했습니다. 최종 12시간 확인 패키지에서 브리지 조건은 두 개의 시드에 걸친 4개의 호스트-시드 셀 모두에서 1위를 차지했습니다. 반면 탐욕적 비교 대상(greedy comparator)은 고정된 0.010 val_bpb 근사 등가 규칙을 충족하지 못했고, 더 저렴한 d8/ar48 (depth-8, aspect-48) 센티넬(sentinel)은 고정된 0.020 평균 간극 규칙을 충족하지 못했습니다. 실행된 12시간 브랜치는 144 GPU 시간을 소모했으며, 스크리닝 단계를 포함한 전체 단계적 프로토콜은 총 169.2 학습(training) GPU 시간을 기록했습니다. 60분 후보 4개 모두를 계속 학습시켰다면 192 GPU 시간이 소모되었을 것이며, 복제된 10분 후보 9개 모두를 계속 학습시켰다면 432 GPU 시간이 소모되었을 것입니다. 후자의 수치는 실행되지 않은 연속 학습에 대한 회계적 반사실(counterfactuals)일 뿐, 제외된 후보들이 참조를 추월할 수 없었다는 증거가 아닙니다. 이 결과는 제한된 비용 할당에 관한 발견 사항이며, 전역 최적성, 용량 정규화 우위, 또는 적응형 하이퍼파라미터 최적화 방법에 대한 우위를 주장하는 것이 아닙니다.
DIRECT: When and Where Should You Allocate Test-Time Compute in Embodied Planners?
비전-언어 모델(VLM) 기반 임베디드 플래너에서 테스트 타임 컴퓨트를 단순히 확장하는 것의 비효율성을 해결하기 위해, 멀티모달 장면 컨텍스트를 활용해 연산량을 동적으로 할당하는 라우팅 프레임워크인 DIRECT를 제안한다. 실제 로봇 팔 실험에서 이 방법은 더 강력한 모델과 대등한 성공률을 최대 65% 낮은 지연 시간으로 달성하여 효율적인 추론을 가능하게 했다.
Search Discipline for Long-Horizon Research Agents
자동 연구 에이전트가 집계된 지표만으로 후보를 선택할 때 전체 점수는 개선되지만 내부 구조가 무너지는 역전 현상이 발생할 수 있음을 보여준다. 이를 해결하기 위해 에이전트 외부의 제어 루프를 도입하여 분해된 행동을 감사하고 점수 대신 검증 가능한 증거에 기반하여 결정을 내리는 검색 규율 프로토콜을 제안한다.
Preregistration for Experiments with AI Agents
AI 에이전트를 활용한 실험에서 모델 선택이나 프롬프트 작성 등 연구자의 자유도로 인해 발생할 수 있는 방법론적 취약성을 해결하기 위해 사전등록(preregistration) 관행의 도입을 제안한다. AI 에이전트 실험에 특화된 사전등록 템플릿을 통해 연구의 신뢰성을 확보하고 이를 표준 관행으로 자리잡아야 한다고 역설한다.
MADE: Beyond Scoring via a Multilingual Agentic Diagnosing Engine for Fine-Grained Evaluation Insights
다국어 및 다문화 벤치마크는 이제 수십 개의 언어와 모델 패밀리를 포괄하지만, 결과적인 점수 지형은 여전히 지표는 풍부하고 통찰은 부족하여 세밀한 다국어 사후 평가 진단이 필요합니다. 그러나 단일 대규모 언어 모델(LLM)과 개방형 에이전트는 길고 노이즈가 많은 진단 입력에 쉽게 압도되며, 이를 위한 재사용 가능한 분류 체계(taxonomy)가 존재하지 않습니다. 이를 해결하기 위해 우리는 사후 평가 분석을 기획, 집계 분석, 인스턴스 수준 사례 검사, 다국어 및 문화적 성찰, 근거 기반 보고서 종합으로 분해하는 다국어 에이전트 진단 엔진인 MADE를 제안합니다. MADE는 전문가 주도의 54개 질의 및 15개 언어 진단 세트와 함께 제공되며, 대규모 다국어 평가 기반(33개 모델 패밀리, 11개 벤치마크, 26개 언어, 34개 문화, 866만 개 평가 기록) 위에서 평가되었습니다. 실험 결과, MADE는 진단 보고서 품질 면에서 가장 강력한 공유 기준선(baseline)보다 47% 더 우수하며, 쌍대 비교의 87.9%에서 인간 다국어 전문가가 선호하는 것으로 나타났습니다. 다국어 전문가와 함께 적용된 MADE는 배포, 반복(iteration), 문화 간 위험 요소에 대한 네 가지 실행 가능한 발견을 추가로 제시하여, 벤치마크 점수표를 모델(model) 선택 및 개선 지침으로 전환합니다.
Severity-Aware Curriculum Learning with Multi-Model Response Selection for Medical Text Generation
원격 의료(telehealth) 시스템은 접근 가능하고 시의적절한 의료 정보를 제공하는 데 있어 점점 더 중요해지고 있습니다. 기존의 대규모 언어 모델(LLM)은 다양한 사례 중증도 수준에서 일관되고 문맥에 적절한 의료 응답을 제공하는 데 종종 어려움을 겪습니다. 이러한 한계는 의료 질의의 점진적인 복잡성에 효과적으로 적응할 수 있는 모델의 필요성을 강조합니다. 이러한 문제를 해결하기 위해, 우리는 커리큘럼 학습 전략과 관련성 기반 응답 선택을 통합한 중증도 인식 다중 모델 프레임워크를 제안합니다. 제안된 프레임워크는 3단계 커리큘럼 학습 전략을 사용하며, 각 모델은 경증, 중등도, 중증 사례에 대해 순차적으로 학습되어 도메인 지식을 점진적으로 습득합니다. 이 접근 방식은 동일한 커리큘럼 방식 하에 독립적으로 학습된 5개의 대규모 언어 모델을 활용합니다. 추론(inference) 과정에서 모든 모델이 후보 응답을 생성하고, 가장 적절한 응답이 최종 출력으로 선택됩니다. 이 프레임워크는 주석이 달린 의료 질문-답변 쌍을 제공하는 MAQA 데이터셋에서 학습 및 평가되었습니다. BERTScore를 사용하여 평가한 실험 결과, 제안된 방법은 기준선(baseline) 및 미세조정(fine-tuning)된 모델과 비교하여 우수한 성능을 달성함을 보여주며, 기준선 설정에서 86.71%, 미세조정 후에는 90.30%를 기록했습니다. 이러한 결과는 의료 텍스트 생성에서 응답 품질과 관련성을 향상시키기 위해 커리큘럼 학습과 다중 모델 응답 선택을 결합하는 것의 효과를 강조합니다.
Decision-Aware Evaluation of Physics-Informed Surrogates
물리 정보 기계학습(PIML)은 종종 곡선 오차로 평가되지만, 공학적 활용은 하류 의사결정에 달려 있다: 후보 순위화, 실행 불가능한 설계 회피, 후회(regret) 제한. 본 연구는 재료 조건부 격자(lattice) 설계를 위한 공개 벤치마크인 pinn-gym을 제안한다. 이는 투명한 저차원(reduced-order) 충돌·충격(crush-and-impact) 오라클과 5종의 인쇄 가능한 폴리머 카드, 무차원 힘-응답(force-response) 타깃, 그리고 곡선 충실도(curve fidelity), 물리적 허용 가능성(physical admissibility), top-k 검색, 질량 후회(mass regret)를 포괄하는 프로토콜을 결합한다. 재료별(per-material), 풀링(pooled), 교차 재료(cross-material) 설정 전반에 걸쳐, 낮은 nRMSE만으로는 유용한 설계 선택을 식별하기에 자주 불충분하다. 물리 정보 손실(physics-informed losses)은 모든 지표를 단조적으로 개선하기보다 트레이드오프를 바꾸며, 무차원 조건화(dimensionless conditioning)는 전이(transfer)를 대칭적으로 만들지는 않으면서도 비교 가능성을 향상시킨다. 이 벤치마크는 인증된 재료 모델이 아니다; 공개된 오라클, 후보 생성기, 재료 카드 범위 내에서 pinn-gym은 곡선 예측기만이 아니라 의사결정 시스템으로서 PIML 서로게이트를 평가하기 위한 재현 가능한 테스트베드(testbed)를 제공한다.
Interpreting Learning Under Competing Models: Joint and Stepwise Approaches for Dynamic Cognitive Diagnosis
디지털 학습 환경은 학습자의 개별 문항에 대한 응답을 기록하여, 종합 점수 대신 특정 기술의 발달을 연구할 수 있게 합니다. 이러한 데이터에서 학습에 대한 결론을 도출하려면 응답을 잠재 기술과 연결하고 숙련도의 시간에 따른 변화를 추적하는 모델이 필요합니다. 각 문항이 측정하는 기술을 알 수 없는 경우, 분석가는 이 구조인 Q-행렬(Q-matrix)을 학습 과정과 공동으로 추정할지, 아니면 먼저 설정한 후 학습을 연구할지 결정해야 합니다. 우리는 이러한 결정이 학습자의 발달 방식에 대한 실질적인 결론을 바꿀 수 있음을 보여줍니다. 동적 인지 진단 모델(dynamic cognitive diagnostic models)을 사용하여 2학년에서 3학년까지 어휘와 이해력을 측정하는 두 개의 독해 게임 데이터를 분석하였으며, 문항 텍스트 임베딩(item-text embeddings)을 통해 알려지지 않은 Q-행렬에 대한 사전 정보를 제공하였습니다. 공동 분석과 바이어스(bias)가 보정된 단계적 분석은 대부분의 학습자가 두 기술을 모두 숙련해 나가고 있다는 점에서 일치하지만, 3학년 때 부분적으로만 능숙한 학습자의 수에 대해서는 의견이 달라 독해 발달 상황 보고 방식이 바뀝니다. 시뮬레이션 연구를 통해 두 분석이 언제 차이를 보이는지 식별하였으며, 문항-기술 구조가 불확실하고 학년 간 문항 풀이 변경되는 경우 공동 분석이 더 신뢰할 수 있음을 확인하였습니다. 두 분석 모두에 대한 R 코드를 제공합니다.
Are you sure? A Comprehensive and Comprehensible Survey of Uncertainty Quantification in Symbolic Regression
기호 회귀(SR)는 수학 함수 공간을 체계적으로 탐색하여 데이터셋의 근본적인 관계를 정확히 포착하는 모델을 발견하는 방법의 한 부류이다. 최근 해당 분야의 발전에도 불구하고, 불확실성 정량화(UQ)에 대한 지원 부재는 실제 의사결정 과정에서의 채택을 제한한다. 회귀 분석에서 UQ는 모델 신뢰성에 대한 중요한 정보를 제공하는데, 이는 데이터의 불확실성을 고려하여 과적합을 피하는 데 도움이 될 수 있으며, 의사결정을 위한 통찰도 제공한다. 본 서베이는 필수적인 UQ 개념을 소개하고 SR에서의 UQ에 관한 현재 문헌을 검토하는 목표로 이 문제를 명확히 다룬 최초의 서베이이다. 현재 문헌은 크게 세 가지 연구 방향으로 분류할 수 있다: 빈도주의(frequentist), 베이지안(Bayesian), 모델 선택(model selection). 그 중요성에도 불구하고 SR에서의 UQ는 여전히 탐구가 충분하지 않으며, 이는 SR을 위한 신뢰할 수 있는 UQ 방법에 대한 추가 연구의 필요성을 시사한다.
Compute-Optimal Network Design for Echocardiography Myocardial Segmentation and Perfusion Quantification using Neural Scaling Laws
조영 증강 초음파를 이용한 심근 관류 정량화는 핵의학 영상 방식에 대한 비전리 침상 대안을 제공한다. 그러나 시간이 많이 소요되는 수동 레이블링으로 인해 임상 도입이 저해되고 있다. 도메인 내 학습 데이터의 부족으로 자동 분할은 어려운 과제로 남아 있다. 대규모 데이터셋에 대한 대규모 언어 모델(LLM) 최적화에 현재 사용되는 전략을 적용하여, 심근 분할의 네트워크 성능을 예측하기 위해 신경 스케일링 법칙을 적용한다. CAMUS 심장초음파 데이터셋과 25명의 환자로 구성된 조영 증강 초음파(CEUS) 데이터셋에서 최적 네트워크 크기를 결정하기 위해 데이터 부분집합의 성능을 외삽한다. 마지막으로, 최종 심근 관류 매개변수를 선임 심장전문의가 획득한 값과 비교하여 모델의 임상적 유용성을 검증한다. 스케일링 법칙에 기반한 외삽은 전체 데이터셋 크기에서의 테스트 손실을 예측하는 데 유효하며, 매개변수 수를 240배 줄이면서 CAMUS에서 최첨단 성능을 달성한 두 네트워크를 선택할 수 있었다. 스케일링 법칙의 그래디언트가 CAMUS에서 CEUS 데이터셋으로 전이되며, 예측 손실에 바이어스가 존재함을 관찰하였다. 자동 분할된 마스크는 심근 관류 정량화에서 선임 심장전문의와 동등한 성능을 보인다. 이러한 결과는 신경 스케일링 법칙이 소규모 의료 영상 데이터셋에 대한 데이터 기반 연산 최적 모델 설계를 위한 실용적 도구임을 확립한다.