PyTorchKR Papers

최신 논문

총 2,847편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.11719v2cs.CV

Ouroboros-Spatial: 공간 추론을 위한 데이터-모델 루프 폐쇄

Ouroboros-Spatial: Closing the Data-Model Loop for Spatial Reasoning

공간 추론은 멀티모달 대규모 언어 모델(MLLM)의 지속적인 과제로 남아 있습니다. 기존 접근 방식은 대규모의 정적으로 큐레이션된 데이터셋에 크게 의존하며, 여기서는 모델의 발전하는 능력과 무관하게 모든 학습 샘플이 동일하게 처리됩니다. 이러한 정적 패러다임은 본질적으로 데이터 비효율적입니다: 학습 용량은 종종 현재 단계의 모델에게 너무 쉽거나 지나치게 어려운 샘플에 소비됩니다. 이러한 한계를 해결하기 위해, 우리는 모델이 제안자와 해결자라는 이중적인 역할을 수행하는 자가 진화형 학습 프레임워크인 Ouroboros-Spatial을 제안합니다. 각 반복(iteration)에서 고정된 제안자는 3D 장면 메타데이터와 원본 비디오 프레임으로부터 공간 질문-답변(QA) 쌍을 생성하고, 신뢰할 수 있는 정답(ground truth)을 도출하기 위한 실행 가능한 코드를 함께 생성합니다. 그런 다음 학습 가능한 해결자는 수락된 샘플에 대해 파인튜닝(fine-tuning)되며, 샘플별 예측 신뢰도가 난이도 신호로 사용됩니다. 이 신호는 다음 반복(iteration)에서 제안자에게 피드백되어, 해결자의 현재 능력에 더 잘 부합하는 질문을 생성하도록 안내합니다. 이러한 폐루프(closed-loop) 설계를 통해 학습 분포는 모델 능력과 공진화하여, 학습 가치가 제한적인 모호하거나 정보가 부족한 샘플을 걸러내는 동시에 중복된 사소한 예제를 줄입니다. 6개의 공간 추론 벤치마크(benchmark)에서 Ouroboros-Spatial은 최근 대규모 큐레이션 데이터셋보다 훨씬 적은 수의 학습 예제를 사용하면서 Qwen3-VL-4B 및 Qwen3-VL-8B를 실질적으로 향상시켰습니다. VSI-Bench에서는 4B 및 8B 모델에 대해 각각 9.9점 및 6.8점의 절대적인 향상을 이끌어내어, 두 모델 모두 다양한 강력한 오픈 소스 및 독점 베이스라인을 능가하도록 했습니다.

arXiv:2602.15355v5cs.CV

DAV-GSWT: Diffusion-Active-View Sampling for Data-Efficient Gaussian Splatting Wang Tiles

The emergence of 3D Gaussian Splatting has fundamentally redefined the capabilities of photorealistic neural rendering by enabling high-throughput synthesis of complex environments. While procedural methods like Wang Tiles have recently been integrated to facilitate the generation of expansive landscapes, these systems typically remain constrained by a reliance on densely sampled exemplar reconstructions. We present DAV-GSWT, a data-efficient framework that leverages diffusion priors and active view sampling to synthesize high-fidelity Gaussian Splatting Wang Tiles from minimal input observations. By integrating a hierarchical uncertainty quantification mechanism with generative diffusion models, our approach autonomously identifies the most informative viewpoints while hallucinating missing structural details to ensure seamless tile transitions. Experimental results indicate that our system significantly reduces the required data volume while maintaining the visual integrity and interactive performance necessary for large-scale virtual environments.

arXiv:2601.09515v3cs.CL

SERM: 대규모 쿼리 스트림의 에이전트 주도 학습을 통한 자기 진화형 관련성 모델

SERM: Self-Evolving Relevance Model with Agent-Driven Learning from Massive Query Streams

실세계 쿼리 스트림의 동적으로 진화하는 특성으로 인해 관련성 모델은 실용적인 검색 시나리오에 일반화하는 데 어려움을 겪는다. 정교한 해결책은 자기 진화(self-evolution) 기법이다. 그러나 대규모 쿼리 스트림을 다루는 대규모 산업 환경에서는 이 기법이 두 가지 과제에 직면한다: (1) 정보가 풍부한(informative) 샘플이 종종 희소하고 식별하기 어렵고, (2) 현재 모델이 생성한 의사 라벨(pseudo-label)이 신뢰할 수 없을 수 있다. 이러한 과제를 해결하기 위해 본 연구에서는 두 가지 상호 보완적인 다중 에이전트 모듈로 구성된 자기 진화형 관련성 모델(Self-Evolving Relevance Model, SERM) 접근법을 제안한다: 분포 이동(distributional shift)을 감지하고 정보가 풍부한 학습 샘플을 식별하도록 설계된 다중 에이전트 샘플 마이너(multi-agent sample miner), 그리고 2단계 합의 프레임워크(two-level agreement framework)를 통해 신뢰할 수 있는 라벨을 제공하는 다중 에이전트 관련성 주석기(multi-agent relevance annotator). 우리는 SERM을 매일 수십억 건의 사용자 요청을 처리하는 대규모 산업 환경에서 평가한다. 실험 결과는 광범위한 오프라인 다국어 평가와 온라인 테스트를 통해 검증된 바와 같이, SERM이 반복적 자기 진화를 통해 상당한 성능 향상을 달성할 수 있음을 보여준다.

arXiv:2607.23896v1cs.AI

자율 재료 발견을 위한 비용 인식 회수 경로 식별 및 베이지안 최적화

Cost-Aware Recovery-Pathway Identification and Bayesian Optimization for Autonomous Materials Discovery

자율 실험실은 실험 수행을 자동화하지만, 캠페인은 또한 어떤 회수 경로가 최적화할 가치가 있는지 결정해야 한다. 우리는 이를 이질적인 실험 비용 하에서 이산적인 경로 식별 단계와 경로 내 연속 최적화 단계를 갖는 순차적 의사결정 문제로 공식화한다. 우리의 구현인 Coactive learning은 EC2(Golovin et al., 2010)에서 영감을 받은 비용 민감 베이지안 가설 판별 정책과 가우시안 프로세스 베이지안 최적화(Srinivas et al., 2010)를 결합한다. 명시적으로 진술된 가정 하에서, 고정 예산 캠페인 시도 1회의 기대 지출은 기대 경로 식별 비용과 상한이 설정된 경로 내 최적화 예산의 합으로 한정된다. 우리는 PNNL의 CICERO 선택적 침전 연구(Ritchhart et al., 2026)에서 보고된 선별된 결과로 제약된 합성 벤치마크(benchmark)에서 이 방법을 평가한다. 이 방법은 정답 경로에 대한 오라클 레이블을 받지 않으면서 첫 번째 플레이트로 경로를 판별하는 강력한 split-plate 기준선(baseline) 및 오라클 경로 베이지안 최적화 기준과 비슷한 성능을 보인다. 이 방법에는 후보 가설 공간과 진단 가능도(likelihood) 모델이 주어진다. NdFeB에서 영감을 받은 사례에서, 이 방법은 처음에 그럴듯하지만 열등한 수산화물 경로를 선택하는 commit-first 기준선의 시뮬레이션 페널티를 피한다. 이 가상의 잘못된 선(先)확정 시나리오는 CICERO에서 보고된 수산화물-옥살레이트 성능 대비에 의해 동기화된다. 우리는 이러한 결론이 가정된 비용 모델에 대해 얼마나 민감한지 특성화한다. 코드와 벤치마크는 오픈 소스이다.

arXiv:2607.23696v1cs.AI

생성 모델과 적응형 테스트를 활용한 오프라인-투-온라인 크리에이티브 최적화

Offline-to-Online Creative Optimization with Generative Models and Adaptive Testing

광고 크리에이티브 최적화는 생성보다 평가에 의해 점점 더 제약을 받고 있다. 생성 모델은 많은 그럴듯한 크리에이티브를 만들 수 있지만, 신뢰할 수 있는 평가를 위해서는 온라인 실험이 필요하며, 그 실험에서는 제한된 후보 목록만 테스트할 수 있다. 우리는 과거 A/B 테스트 데이터를 사용하여 해당 후보 목록의 후보를 생성하고 선정하는 방법을 연구한다. 우리는 추론(inference) 시점의 critic으로 예측 모델을 사용해 크리에이티브 생성을 안내하는 성과 중심의 오프라인-투-온라인 워크플로를 개발하고 배포했다. 오프라인 단계에서는 과거 실험으로 학습(training)된 예측 모델을 사용해 생성 모델이 만든 변형들을 순위화하고 개선한다. 그다음 최종 테스트 후보 목록을 온라인 적응형 실험에 배포한다. 50-arm 현장 실험에서, 이 방법으로 생성된 최고의 크리에이티브가 최고의 인간 작성 크리에이티브보다 45.1% 더 높은 참여(engagement)를 보였다. 두 추가 실험에서도 동일한 상위 꼬리(upper-tail) 패턴이 나타났으며, 향상(lift)은 각각 46.7%와 36.2%였다. 예측 모델이 오프라인에서 최고의 크리에이티브를 직접 식별하기에는 너무 노이즈가 많음에도 불구하고, 생성 모델이 적응형 실험에서 효율적으로 평가할 수 있는 강력한 후보를 만들도록 효과적으로 안내한다는 것을 발견했다. 결과는 생성 모델을 활용한 크리에이티브 최적화를 위한 설계 원칙을 시사한다: 테스트할 후보 목록 생성을 예측 모델로 안내하고, 실행 가능한 테스트 규모에서 고성능 후보를 포함하는지 여부로 후보 목록을 판단하며, 약한 arm에 소실되는 트래픽을 제한하면서 적응형 실험으로 후보 간 선택을 수행한다.

arXiv:2607.20556v2cs.AI

KeySI: 인간 피드백 기반 텍스트 임베딩 튜닝을 위한 상호작용 프레임워크

KeySI: An Interaction Framework for Tuning Text Embeddings Based on Human Feedback

대규모 텍스트 분석 작업에서는 하류 분석을 위해 텍스트 코퍼스를 임베딩하는 데 사전학습된 언어 모델이 자주 사용된다. 그러나 이러한 모델은 도메인 특화 의미를 포착하는 데 어려움을 겪을 수 있으며, 이를 적응시키려면 일반적으로 대량의 라벨 데이터와 학습 파이프라인 구현에 필요한 기술적 전문성이 요구된다. 최근 접근법들은 문서 투영에서의 시각적 상호작용이 모델 튜닝을 위한 학습 신호로 인간 피드백을 포착할 수 있음을 보여주었다. 그러나 이러한 방법들은 문서 수준 피드백을 기반으로 동작하며, 효과적인 피드백을 제공하려면 사용자가 개별 문서를 열어 평가해야 한다. 본 논문에서는 키워드 기반 개념 명세를 통해 특징 수준 피드백을 가능하게 하는 상호작용 프레임워크 KeySI를 제안한다. 사용자는 추출된 키워드를 개념을 나타내는 그룹으로 구성하여 피드백을 지정하며, KeySI는 이를 후속 튜닝을 위한 문서 수준 지도 신호로 변환한다. 키워드를 주요 상호작용 매체로 사용함으로써 KeySI는 수동 문서 검토 및 라벨링의 필요성을 줄이고 임베딩 모델 적응의 진입 장벽을 낮춘다. 우리는 코퍼스가 주어졌을 때 대표 키워드를 선별하고, 차원 축소를 통해 키워드와 문서 임베딩을 시각화하며, 키워드 그룹의 대화형 명세를 허용하고, 시스템 피드백을 통한 반복적 정제를 지원하는 프로토타입 구현을 제시한다. 사용자 연구, 사용 시나리오, 정량 실험을 통해 KeySI를 평가하며, 사용자 의도 포착 및 임베딩 정렬 개선에서의 효과를 입증한다.

arXiv:2607.22371v1cs.CV

데이터 선택 강화를 통한 능동적 퓨샷 분할

Active few-shot segmentation by reinforcing data selection

퓨샷 학습(few-shot learning)은 의료 이미지 분할 모델이 소수의 레이블이 붙은 예시만으로 새로운 태스크에 적응할 수 있게 한다. 그러나 적응 성능은 서포트 집합(support set)에 어떤 예시를 선택하느냐에 크게 좌우된다. 효과적인 서포트 집합은 대상 도메인 내 관련 변이를 포착하고 적응에 유용한 정보를 담아야 하며, 구성 샘플들이 상호 보완적인 정보를 제공해야 한다. 그럼에도 기존 능동적 데이터 선택 접근법은 대체로 샘플을 개별적으로 우선시하며 예시 간 상호작용을 명시적으로 고려하지 않는다. 본 연구에서는 퓨샷 의료 이미지 분할에서 서포트 집합 선택을 위한 강화학습 프레임워크를 제안하여, 독립적인 샘플 점수화가 아니라 서포트 집합을 공동으로 최적화할 수 있게 한다. 레이블이 없는 후보 이미지 풀(pool)이 주어지면, 에이전트는 하류 분할 성능을 최대화하는 서포트 집합을 직접 예측한다. 기관 간 교차 골반 MRI 데이터셋에서의 실험은 무작위 선택 및 현재 최첨단(state-of-the-art) 방법 대비 개선을 보여준다. 우리의 발견은 효과적인 적응을 위해 서포트 집합의 상호 보완성(complementarity)이 중요함을 강조하며, 적응 집합 최적화를 위한 강화학습의 잠재력을 보여준다.

arXiv:2605.22057v2cs.CL

FlyRoute: 적응형 작업 라우팅을 위한 데이터 플라이휠 기반 자기 진화형 에이전트 프로파일링

FlyRoute: Self-Evolving Agent Profiling via Data Flywheel for Adaptive Task Routing

기업용 라우터는 쿼리를 전문 에이전트에게 할당하지만, 배포된 프로파일은 정적인 반면 에이전트는(프롬프트, 도구, 모델 등) 진화하고, 개발자들은 설명이나 예시(exemplars)를 최신 상태로 유지하는 경우가 드뭅니다. 우리는 FlyRoute를 제안한다. 이는 실제 트래픽으로부터 역량 증거를 축적하는 자기 진화형 프로파일링 프레임워크로, 후보를 디스패치하고, 성공한 쌍을 품질 게이트를 거쳐 각 에이전트의 성공 저장소에 넣으며, 주기적으로 증거를 학습된 역량 설명으로 증류(distill)하고, 해당 설명과 BM25로 검색한 성공 사례를 LLM 라우터에 주입한다. 이 플라이휠을 데이터 효율적으로 만들기 위해 FlyRoute는 프로파일 불확실성, BM25 관련성, 어휘적 신규성을 결합한 목표 지향 탐험 정책을 도입한다. 이는 타당한(plausible) 쿼리에 대해서만 프로파일이 부족한 에이전트를 우선시하고 중복된 증거 수집을 피한다. 실제 라우팅된 쿼리로 구성된 독점 기업 개발자 지원 데이터셋에서의 실험에서, FlyRoute는 동일 백본(backbone) 제로샷(zero-shot) LLM 라우터의 정확도를 에이전트당 시드 쿼리 5개만으로 72.57%에서 78.04%로 향상시켰으며, 이는 프로파일 검색만으로도 콜드 스타트(cold-start) 라우팅을 강화할 수 있음을 보여준다. 플라이휠에 라벨이 붙은 학습 쿼리 7,211개를 스트리밍한 후 정확도는 89.83%까지 상승한다(제로샷 대비 +17.26pp; 콜드 스타트 대비 +11.79pp). 단일 정답(single-gold) 테스트 쿼리에 대한 표준 라우팅 정확도 기준으로 네 개의 전문 도메인에서 일관된 향상을 보인다.

arXiv:2607.21480v1cs.LG

고재현율 후보 생성을 위한 유한 표본 커버리지 감사: 인증과 학습 이론적 설계

Finite-Sample Coverage Audits for High-Recall Candidate Generation: Certification and Learning-Theoretic Design

경험적 파이프라인에서 초기 고재현율 단계는 어떤 항목이 이후의 검토, 라벨링, 모델링 단계로 넘어갈지를 결정하며, 이 단계에서 놓친 관련 항목은 이후 모든 단계에서 손실된다. 우리는 유한 표본 유효성 하에서 이 놓친 관련 질량이 작다는 것을 인증하기 위해 필요한 감사 라벨 수를 연구하며, 주요 결과는 이 문제의 라벨 복잡도를 특성화한다. 우리는 먼저 후보 집합 내부의 라벨만을 사용하는 어떤 절차도 놓친 질량에 대한 비자명한 상한을 인증할 수 없음을 보인다. 감사는 미회수 관련 항목이 존재할 수 있는 유일한 영역인 제외 풀(excluded pool)을 샘플링해야 한다. 그다음 매칭되는 유한 코퍼스 하한을 증명한다. 관련 항목이 하나도 없을 때 $m$개 미만의 놓친 관련 항목을 높은 확률로 인증하는 임의의 유효한 감사는, 적응적이고 포함 풀(included pool) 전체에 라벨을 부여할 수 있더라도, 제외 풀 라벨의 $N_0/m$ 차(order)만큼을 검사해야 한다. 따라서 제외 풀 감사는 제로 누락(zero-miss) 체계에서 놓친 질량 인증에 있어 단순히 편리한 것이 아니라 minimax rate-optimal하다. 이 특성화를 바탕으로, 우리는 점근 근사 대신 이항 및 초기하(hypergeometric) 역변환을 사용하는 정확한 유한 표본 도구 키트를 개발한다. 이는 놓친 질량을 인증하고, 이중 풀(two-pool) 설계를 통해 재현율로 변환하며, 사전 지정된 중첩 후보 생성기(nested candidate generator) 패밀리를 동시에 인증하고, 선언된 교란 메커니즘에 대한 스트레스 테스트 인증서를 생성한다. 이러한 인증서는 관측 가능한 검토 부담과 결합하여 놓친 질량 목표를 충족하는 사전 지정 후보 생성기 중 부담이 가장 적은 것을 선택하는 데 사용할 수 있다. 모든 보장은 하나의 규율 하에서 성립한다. 후보 생성기, 또는 그로부터 선택되는 사전 지정 패밀리, 그리고 감사 규칙은 인증 라벨을 조사하기 전에 고정된다.

arXiv:2607.19779v1cs.CV

진단 MRI를 위한 주파수 계층적 능동 k-공간 샘플링

Frequency-Hierarchical Active k-Space Sampling for Diagnostic MRI

가속 MRI를 위한 능동 샘플링은 서로 매우 다른 종류의 정보를 담고 있는 공간 주파수들에 제한된 샘플링 예산을 분배해야 한다. 저주파는 대부분의 해부학적 문맥을 담고 있으며, 고주파는 병리 평가를 좌우하는 미세한 디테일을 담는다. 기존 능동 샘플러는 두 영역을 동일하게 다루거나 행동 공간을 전체 Cartesian 행으로 제한하여, 높은 가속에서 나쁜 절충을 강요한다. 우리는 이 계층 구조를 중심으로 구축된 과제 기반 프레임워크인 HieraSample을 제안한다. 코사인 어닐링 커리큘럼은 80개의 획득 단계에 걸쳐 가속 인자를 20배에서 4배로 낮추면서 매 단계마다 완전 샘플링된 저주파 디스크를 유지한다. Mamba 기반 정책은 이후 이중 질병 및 중증도 분류기가 추출한 특징으로부터 개별 고주파 좌표를 선택한다. 보상은 각 행동 후 클래스 가중 교차 엔트로피의 샘플당 감소량이며, 따라서 양의 보상은 더 확신 있는 올바른 예측에 직접 대응한다. fastMRI+ 무릎 벤치마크에서 HieraSample은 4배에서 10배 가속에서 ACL 진단에 대해 완전 샘플링 오라클과 일치하며, ACL 중증도에서 최근 Cartesian 기준선보다 최대 20.4 AUC 포인트만큼 개선한다.

arXiv:2607.02672v2cs.AI

내적 다원주의와 쌍별 비교의 한계

Internal Pluralism and the Limits of Pairwise Comparisons

지역적 쌍별 비교(local pairwise comparison)는 참여적 설계(participatory design)나 정렬(alignment) 등에서 사람들이 의사결정 규칙이 어떻게 작동하기를 원하는지 학습하기 위한 표준적인 도구다. 그러나 이 방법의 사용은 두 가지 강한 가정을 내포한다: 지역적 비교가 자동화된 의사결정 규칙의 동작 방식에 대한 개인의 선호를 파악하기에 충분한 증거가 된다는 것과, 사람들이 항상 해당 비교에 결정적으로 답할 수 있다는 것이다. 우리는 이러한 가정들이 내적 다원주의(internal pluralism) 하에서 어떻게 훼손될 수 있는지를 탐구한다. 내적 다원주의란 개인이 규칙이 어떻게 동작해야 하는지에 대한 복수의 권위 있는 우선순위에 따라 의사결정 규칙을 평가한다는 개념이다. 우리는 의사결정 규칙에 대한 이러한 다원적 선호의 형식적 모델을 제시하고, 이를 통해 강제적 지역적 쌍별 비교 데이터의 두 가지 명확한 실패 유형을 규명한다. 첫째, 비례성(proportionality), 평등주의(egalitarianism), 동등 처우(equal treatment)와 같은 우선순위는 본질적으로 전역적(global)이다: 한 사례에서 이들이 함의하는 바는 다른 곳에서 일어나는 일에 따라 달라질 수 있으므로, 지역적 비교로는 이를 포착하지 못할 수 있다. 둘째, 우선순위가 지역적으로 표현 가능한 경우에도, 강하게 견지되는 우선순위들 사이의 긴장이 내적 갈등을 야기하여, 비교가 강제될 때 잠재적으로 비용이 큰 행동 왜곡을 초래할 수 있다. 이어서 우리는 대안, 즉 사람들이 결정 불능(indecision)을 보고하도록 허용하는 방안을 우리의 모델을 통해 탐구하며, 그 결과 이러한 방식이 선호를 정확하게 학습하는 데 필요한 질의(query) 수를 상당히 줄일 수 있음을 시사한다. 마지막으로, 우리의 모델이 이러한 우선순위를 직접 도출하는 선호 학습(preference-learning) 방법을 어떻게 지향하는지를 설명하며, 이를 통해 사람들이 가치 있게 여기는 것에 대한 보다 충실하고 해석 가능한 설명을 도출할 수 있음을 논의한다.

arXiv:2607.14486v1physics.chem-ph

기계학습 힘장의 학습 및 미세조정에서 적은 레이블로 전체 데이터 정확도 달성

Full-data accuracy with fewer labels for training and fine-tuning machine-learning force fields

기계학습 힘장(MLFF)은 학습 분포 근처에서만 신뢰할 수 있으므로, 다양한 학습 세트를 효율적으로 구축하는 것은 처음부터 학습과 기초 모델 미세조정 워크플로 모두에서 주요 병목이 된다. 능동 학습(active learning)은 이러한 비용을 줄일 수 있지만, 표준 모델 위원회(model committee) 불확실성은 위원회 각 구성원마다 별도의 미세조정 실행이 필요하기 때문에 기초 MLFF에는 실용적이지 않다. 우리는 구성(configuration)별로 전방 패스(forward pass) 비용이 낮은 불확실성 추정기인 최종 층 투영 회귀(last-layer-projection regression, LLPR)를 기반으로 한 능동 학습 워크플로를 제시한다. 분자, 응축상(condensed-phase), 전해질 시스템 전반에 걸쳐 LLPR은 전자 구조(electronic-structure) 레이블의 극히 일부만으로 전체 데이터 정확도를 회복하는 컴팩트하고 고가치의 학습 세트를 식별한다. 기초 모델 미세조정에서 LLPR이 선택한 구성은 무작위 선택보다 훨씬 적은 레이블로 전체 풀 미세조정 상한에 도달한다. 반복적 전해질 미세조정에서 LLPR은 DFT 레이블링 이전에 비물리적 국소 배위(local coordination)를 감지하고, 절대적인 힘 오차 임계값을 제공하며, 학습 루프의 자동 종료를 가능하게 한다. 결과 모델은 기준(reference) 밀도와 이온 배위 구조를 재현하며, MLFF 학습 체계 전반에 걸친 확장 가능한 불확실성 정량화(uncertainty quantification) 전략을 제공한다.

arXiv:2607.14439v1cs.LG

범용 로봇 정책을 위한 능동적 실세계 요인 기반 평가

Active Real-World Factor-Based Evaluation for Generalist Robot Policies

대규모·다양한 데이터셋으로 학습된 범용 로봇 조작 정책은 다양한 작업 전반에서 뛰어난 가능성을 보여왔다. 그러나 이러한 정책을 엄밀하게 평가하는 것은 여전히 근본적인 과제로 남아 있다. 실세계 성능은 물체 자세와 카메라 시점 등 작업 요인의 거대한 조합 공간에 달려 있어, 완전하고 포괄적인 평가는 실현 불가능하다. 또한 실제 하드웨어 평가는 느리고 자원 소모가 크기 때문에, 현재 관행은 핵심 실패 모드를 놓치고 실제 배포 준비도를 왜곡할 수 있는 좁은 테스트 스위트를 사용하는 것이다. 우리는 정책 평가를 순차적 실험 설계 문제로 취급함으로써 이 과제를 해결하는 능동 평가 프레임워크를 제안한다. 우리 접근법은 구조화된 작업 요인 공간 위에 확률적 서로게이트 모델을 적합시키고, 정책 성능 분포에 대한 정보 이득을 최대화하도록 평가 구성을 적응적으로 선택하여, 보지 못한 조건에서 정책 행동을 샘플 효율적으로 특성화하고 실패가 잦은 영역을 체계적으로 식별할 수 있게 한다. 3가지 작업과 3가지 요인 변형에 걸쳐 총 2331회의 실세계 평가를 수행한 결과, 우리 접근법은 일반적인 무작위 테스트에 비해 평가자가 최소 20–40%의 시행을 절약하는 것으로 나타났다.

arXiv:2408.12548v3cs.LG

안전하고 윤리적인 자율주행차를 위한 휴먼 인 더 루프 머신러닝: 원리, 과제, 기회

Human-In-The-Loop Machine Learning for Safe and Ethical Autonomous Vehicles: Principles, Challenges, and Opportunities

머신러닝(ML)은 자율주행차(AV)의 핵심이 되어 동적 환경에서 인식, 예측, 계획, 제어 및 의사결정을 지원한다. 그러나 복잡한 교차로, 다양한 장면, 다양한 궤적, 복잡한 임무와 같은 혼잡하고 복잡한 시나리오에서 완전한 자율성을 달성하는 것은 여전히 어려운 과제이며, 데이터 라벨링 또한 여전히 주요 병목이다. 이러한 한계는 검증, 주석, 작업 구성, 보상 설계, 행동 수정, 선호 피드백, 감독적 개입 등을 통해 인간 입력을 통합하는 휴먼 인 더 루프 머신러닝(HITL-ML)의 필요성을 촉발한다. 안전하고 윤리적인 자율주행을 발전시키기 위해 본 논문은 커리큘럼 학습(CL), 휴먼 인 더 루프 강화학습(HITL-RL), 휴먼 인 더 루프 대규모 언어 모델(HITL-LLM), 능동 학습(AL), 윤리 원칙에 초점을 맞춘 AV용 HITL-ML에 대한 튜토리얼 서베이를 제시한다. 먼저 간단한 작업에서 복잡한 작업으로 학습을 구조화하는 CL 방법을 검토하며, 내비게이션, 경로 계획, 장애물 회피, 데이터 수집, 착륙, 교차로 처리, 모션 계획, UAV 군집 협조 등을 다룬다. 이어서 보상 형성(reward shaping), 행동 주입, 시연, 선호 기반 피드백, 대화형 학습을 통한 HITL-RL을 검토하며, 학습 효율 향상, 더 안전한 정책 탐험, 실시간 개입을 강조한다. 다음으로 협업과 감독 관점에서 HITL-LLM을 검토하고 핵심 과제를 명시한다. 그 후 인식, 이상 탐지, 시맨틱 매핑, 객체 검출, 차량 인식, 보안 관련 분류에 대한 AL을 논의한다. 마지막으로 투명성, 책임성, 인간 감독, 안전성, 보안, 규제 준수, 인간 입력의 신뢰성에 대한 기술적 요구사항으로서 윤리 원칙을 검토한다.

arXiv:2607.15202v1cs.AI

설명 가능한 우울 증상 어노테이션을 위한 자기 진화형 인간 중심 프레임워크

Self-Evolving Human-Centered Framework for Explainable Depression Symptom Annotation

어노테이션 품질은 정신 건강 연구를 위한 신뢰할 수 있고 설명 가능한 인공지능(XAI) 시스템 구축의 주요 병목이다. 우울 관련 데이터셋에서는 라벨이 종종 구조화된 근거, 증상 수준 정당화, 또는 «정신장애의 진단 및 통계 편람» 5판 텍스트 개정판(DSM-5-TR) 기준과의 추적 가능한 정렬 없이 부여되어, 투명성과 하류 모델의 해석가능성을 모두 제한한다. 우리는 대규모 언어 모델(LLM) 보조 라벨링과 전문가 검증을 결합한 주요 우울 장애(Major Depressive Disorder, MDD)용 자기 진화형 전문가-참여(expert-in-the-loop) 어노테이션 프레임워크를 제안한다. 이 프레임워크는 임상 진단을 수행하기보다는 설명 가능하고 DSM-5-TR에 정렬된 데이터셋 구축을 지원하기 위한 것이다. 3단계로 작동한다: 텍스트 기록으로부터 후보 근거 선택, 기준 수준의 DSM-5-TR 분석, 라벨 수준의 진단 및 중증도 어노테이션을 생성하는 사례 수준 종합. 예시 메모리(Example Memory)와 성찰 메모리(Reflection Memory)로 구성된 이중 메모리 아키텍처는 재학습 없이 전문가 피드백을 내재화하고 향후 어노테이션을 반복적으로 개선하도록 설계되었다. 우리는 이 메커니즘을 설명하고, 다중 피드백 주기에 걸친 평가는 향후 연구에 맡긴다. 최종 라벨 외에도 이 프레임워크는 임상적 근거, 추론 추적, 편집 이력을 내보내 포괄적인 감사 가능성을 가능하게 한다. 전문가 검토 표본을 사용한 파일럿 연구에서, 제안된 접근법은 수동 수정 노력을 줄이면서 어노테이션 일관성과 설명 가능성을 향상시켰다.

arXiv:2607.14093v1cs.AI

수색·구조를 위한 자율 UAV 군집의 지능형 3계층 학습 아키텍처

Intelligent Three Level Learning Architecture for Autonomous UAV Swarms in Search and Rescue

본 논문은 수색·구조 작업을 수행하는 자율 UAV 군집을 위한 새로운 3계층 계층적 학습 아키텍처를 제안한다. 모든 계층 수준에 단일 학습 패러다임을 적용하는 기존 접근과 달리, 제안 아키텍처는 반사(reflexes), 기술(skills), 추론(reasoning)의 생물학적 계층에 대응하는 세 가지 질적으로 다른 학습 메커니즘을 통합한다: 개별 에이전트 적응을 위한 Hebbian 신경가소성, 전술적 협조를 위한 그래프 신경망(GNN)과 행동 트리(Behavior Trees)를 활용한 다중 에이전트 강화학습(MARL), 그리고 전략적 의사결정을 위한 BDI 추론과 디지털 트윈을 갖춘 모델 불변 메타 학습(model-agnostic meta learning). 아키텍처는 BDI, Behavior Trees, GNN, MARL, Neuroplasticity, Meta Learning 등 6개 구성요소에 걸쳐 22개의 아키텍처 계약으로 형식화되며, 이들은 안전성, 예산 정확성, 최적성, 활성(liveness), 기아(starvation) 자유, 계층 간 일관성과 같은 6가지 형식적 보장 클래스를 공동으로 제공한다. 우리는 3개 수준 전체의 구조화된 상호작용에서 발생하는 조합적 속성인 군집 메타 인지(Swarm Meta Cognition)를 도입하여, 군집이 자신의 인지 상태를 모니터링하고 인지 전략 간 전환을 가능하게 한다. SAR 작업 유형에 대한 5가지 구성적 진행 함수는 추상적 최적화 이론과 구체적 운용 시나리오 사이의 간극을 메운다. 주요 통합 정리는 모든 계약이 충족될 때 하이브리드 신경-기호 시스템이 6가지 보장 클래스를 모두 보존함을 확립한다. 능동 학습(active learning)이 포함된 동적 경우에 대해 5개의 새로운 계약이 프레임워크를 확장하여 인지적 회복력, 우아한 성능 저하(graceful degradation), 단조 메타 개선(monotonic meta improvement)의 3가지 추가 보장을 제공한다. 이론적 분석은 해당 아키텍처가 기존 계층적 RL 접근법의 5가지 근본적 한계를 해결함을 보여준다.

arXiv:2607.13479v1cs.RO

희소 촉각으로부터 변형 객체의 토폴로지 불변 메시 재구성

Topology-Agnostic Mesh Reconstruction of Deformable Objects from Sparse Touch

변형 객체의 전체 형상을 추정하는 것은 시각 정보를 사용할 수 없을 때 특히 어렵다: 어두운 환경, 불투명한 가방 안, 조작하는 손 뒤, 또는 심한 자기 가림(self-occlusion) 하에서 그렇다. 이러한 상황에서 촉각(touch)은 자연스러운 센서이지만, 접촉은 희소(sparse)하고 국소적(local)이다. 우리는 시각 정보 없이 단 몇 번의 접촉만으로 변형 객체의 전체 메시(mesh)를 재구성하는 단일 토폴로지 불변(topology-agnostic) 추정기를 제시한다. 1D 로프(rope), 2D 천(cloth), 3D 체적 연성체(volumetric soft body)를 모두 다루는 하나의 순열 불변(permutation-invariant) 크로스 어텐션(cross-attention) 아키텍처를 사용한다. 학습된 추정기는 비학습 기반 기하학적 메시 보완(completion) 및 가우시안 프로세스(Gaussian process) 표면 기준선 대비 재구성 오류를 대략 3분의 2만큼 줄이며, 더 단순한 글로벌 풀(global-pool) 집합 인코더(set encoder)보다 우수하다. 접촉이 더 많이 관측될수록 성능 격차는 커진다. 이어서 추정기의 딥 앙상블(deep-ensemble) 불확실성을 다음 접촉 위치를 학습하는 데 활용할 수 있음을 보인다. 이는 오류를 더 줄이며, 희소한 예산(sparse budgets)에서 무작위 접촉과 가우시안 프로세스 능동(active) 기준선을 모두 능가한다. 이 이득은 평균적으로는 완만하지만 자기 가림이 심할수록, 그리고 오류 꼬리(error tail)에서 더 커진다. 시각 정보도 사용 가능할 때는 어디를 접촉할지는 거의 중요하지 않으며, 이는 우리가 연구하는 시각 정보 없는(vision-free) 설정을 정당화한다.

arXiv:2605.24395v2cs.LG

AvAtar: 능동적 최적 운송을 통한 정렬 학습

AvAtar: Learning to Align via Active Optimal Transport

정렬(alignment)은 다중 네트워크 분석, 멀티모달 학습, 포인트 클라우드 정합 등 많은 기계학습 문제에서 근본적인 역할을 한다. 최근 연구들은 분포 정렬(distributional alignment)에 최적 운송(OT)을 점점 더 많이 활용하고 있으며, 그 효과는 실무에서 얻기 어렵거나 비용이 큰 희소(sparse) 감독(supervision)에 크게 의존한다. 그러나 기존 연구들은 OT 프레임워크에서 정렬 성능을 향상시키기 위해 고품질 감독을 능동적으로(active) 획득하는 방법은 대체로 간과하고 있다. 본 논문에서는 AvAtar라는 OT 정렬을 위한 원칙 기반의 능동적 정렬(active alignment) 프레임워크를 제안한다. 우리는 후보의 정보량(informativeness)을 전역 정렬 결과에 대한 그래디언트 기반 영향으로 정량화하며, 이는 엔트로피 정규화(entropy-regularized) OT 공식을 통해 전역 정렬 결과에서 후보의 모든 가능한 감독까지 그래디언트가 전파(propagation)되는 방식으로 계산된다. OT의 제약 특성상 OT를 통한 미분(differentiation)은 어렵지만, 우리는 adjoint-state method를 활용하여 계산을 공액 그래디언트(conjugate gradient) 방법으로 풀 수 있는 선형 시스템으로 재공식화하며, 선형 복잡도와 수렴 보증을 달성한다. 효과적인 유틸리티 함수를 통해 전역 정렬 결과를 인코딩함으로써, AvAtar는 OT 프레임워크 하의 일반적인 정렬 문제에 적용 가능하다. 세 가지 대표적인 정렬 과제에 대한 광범위한 실험을 통해 제안된 AvAtar의 효과성, 확장성, 일반화 가능성을 입증한다.

arXiv:2607.13237v1cs.CV

약한 지도를 활용한 외과 수술 영상의 효율적 어노테이션을 위한 액티브 학습

Active Learning for Efficient Annotation of Surgical Videos with Weak Supervision

복강경 수술 영상의 정밀한 시공간(spatial-temporal) 어노테이션은 시간이 많이 소요되며 전문가 지식이 필요하다. 우리는 액티브 학습(active learning)과 이중 손실(dual-loss) 최적화를 결합한 휴먼-인-더-루프(human-in-the-loop) 지식 획득 프레임워크를 제안하여, 수술 분야 내 객체의 자동 위치 추정(localization) 및 분할(segmentation)에 필요한 어노테이션 노력을 크게 줄인다. 우리 방법은 파운데이션 모델(foundation model)을 사용하여 두 가지 상보적 학습 목표를 통해 영상으로부터 시간적으로 일관된 클래스 활성화 맵(CAM)을 생성한다: 약하게 어노테이션된 데이터에 대한 영상 수준 도구 존재 라벨에 대한 약한 지도 손실(weak supervision loss), 그리고 액티브 학습을 통해 얻은 인간이 수정한 어노테이션에 대한 이미지 수준 마스크 손실(image-level mask loss). 처음부터 촘촘한 픽셀 수준 어노테이션을 요구하는 대신, 파이프라인은 모델이 이전에 포착한 지식을 전문가 어노테이터가 정제할 수 있도록 유도하는 의사 마스크(pseudo-mask)를 반복적으로 제안한다. 우리는 프레임워크가 완전 수동 어노테이션과 비교하여 학습 종료 시점까지 외과 수술 영상 어노테이션 노력을 50% 줄임을 보여준다. 처음부터 대규모의 완전 어노테이션된 데이터셋이 필요하지 않음으로써, 이 프레임워크는 수술 도구 분할 모델 개발의 확장성(scalability)을 가능하게 한다. 이 반복적 휴먼-인-더-루프 정제는 최소한의 전문가 입력으로 효율적 지식 획득을 지원하며, 더 크고 다양한 데이터셋 및 실제 임상 환경으로 도구 분할을 확장하는 실용적이고 배포 가능한 전략을 제공한다.

arXiv:2607.11838v1cs.CV

HASTE: 신속한 재난 후 건물 피해 평가를 위한 플랫폼

HASTE: A Platform for Rapid Post-Disaster Building Damage Assessment

대규모 재난이 발생하면 대응 인력은 몇 시간 내에 어떤 건물이 피해를 입었는지 나타내는 지도가 필요합니다. 공개 벤치마크에서 우수한 성능을 보이는 모델들은 재난 전후로 매칭된 이미지와 유사한 과거 사건에서 추출한 학습 세트를 전제로 하지만, 새로운 재난의 첫날에는 이 두 가지 모두 일반적으로 확보할 수 없습니다. 우리는 HASTE(High-speed Assessment and Satellite Tracking for Emergencies)를 소개합니다. 이는 머신러닝 엔지니어가 아닌 분석가들도 재난 후 위성 이미지로부터 건물별 피해 지도를 생성할 수 있게 해주는 노코드(no-code) 웹 플랫폼입니다. HASTE는 하나의 인터페이스를 공유하는 두 가지 방법을 구현합니다. 첫 번째 방법은 사용자가 재난 후 장면에 폴리곤을 레이블링하면, 해당 단일 장면에서 소규모 시맨틱 분할(semantic segmentation) 모델을 학습하고 전체 이미지에 실행한 뒤 픽셀별 출력을 기존 건물 풋프린트(building footprints)와 결합합니다. 두 번째 방법은 사전학습된 비전 모델로 모든 풋프린트를 임베딩하고, 사용자가 소수의 건물만 레이블링하면 브라우저에서 로지스틱 회귀(logistic regression)를 적합하여 나머지 장면을 몇 초 만에 평가합니다. 우리는 플랫폼과 두 가지 방법, 그리고 이를 지원하는 엔지니어링을 설명합니다. 또한 xBD에 대한 예비 실험 결과를 보고하는데, 풋프린트에 걸쳐 풀링된 파운데이션 모델(foundation model) 임베딩이 재난 후 이미지만으로도 손상된 건물과 온전한 건물을 구분하며, 레이블의 1/20만으로 완전 지도 학습된 ResNet-50 기준선과 동등한 성능을 보임을 확인하였습니다. HASTE와 그 전신 시스템들은 2023년 이후 지진, 허리케인, 사이클론, 홍수, 산불, 토네이도를 포함한 30건 이상의 실제 재난 대응을 지원하였으며, 이미지가 확보된 후 수 시간에서 수 일 내에 인도주의 파트너들에게 결과를 제공하였습니다. 마지막으로 비전-언어(vision-language) 평가, 능동 학습(active learning), 도로 및 기타 인프라를 위한 피해 모델을 포함하여 가장 유망하다고 판단되는 향후 방향을 제시합니다. HASTE는 https://github.com/microsoft/haste 에서 오픈 소스로 공개되어 있습니다.