심층 학습 기반 조직병리학 전체 슬라이드 이미지(WSI) 분할은 대량의 픽셀 수준 어노테이션을 필요로 하며, 이를 획득하는 데는 비용과 시간이 많이 소요된다. 능동 학습(AL)은 이러한 부담을 줄이기 위해 제안되었으나, 기존 방법들은 세 가지 핵심 한계를 지닌다. 부분적으로 어노테이션된 WSI에서 불확실성 추정이 신뢰하기 어렵고, 패치 수준 획득이 슬라이드 수준 어노테이션 워크플로와 일관성이 없으며, 다중 클래스 환경에서 클래스 불균형이 명시적으로 다루어지지 않는다. 이러한 문제를 해결하기 위해, 우리는 어노테이션 효율적인 다중 클래스 조직병리학 분할을 위한 환자 수준 AL 프레임워크인 SHAL(Slide-level Hybrid Active Learning)을 제안한다. SHAL은 세 가지 상호 보완적 구성 요소를 통합한다: 레이블이 없는 배경 영역으로부터의 바이어스를 억제하는 전경 인식 전략, 학습 단계에 걸쳐 예측 엔트로피와 인식론적 불확실성을 혼합하는 단계 적응형 메커니즘, 그리고 진단적으로 중요한 조직 클래스를 우선시하는 클래스 인식 전략. SHAL은 TCGA 대장암 데이터셋에서 평가된다. 전체 어노테이션 예산에서 가장 높은 Macro Dice(0.846)를 달성하며, 예산의 26%만으로(190개 슬라이드 중 50개) Dice 0.80 이상에 도달하는 반면, 경쟁 방법들은 37%(70개 슬라이드)에서야 이 임계값에 도달한다. 5개의 독립적인 외부 코호트 전반에 걸쳐 SHAL은 가장 높은 평균 외부 Macro Dice(0.815)와 모든 방법 중 가장 작은 내부-외부 일반화 격차(라운드 3에서 0.025, 전체 예산에서 0.026)를 달성한다. 결과는 환자 수준 하이브리드 불확실성 획득이 계산 병리학에서 도메인 간 일반화를 희생하지 않고 어노테이션 비용을 절감함을 보여준다.
배경: 오프라인 강화학습(RL)은 대규모의 사전 수집된 데이터셋으로부터 효과적인 정책을 학습하고, 이후 제한된 온라인 상호작용을 통해 성능을 개선할 수 있게 한다. 이러한 오프라인-온라인 강화학습(O2O-RL) 패러다임은 상호작용 비용이 높거나 잠재적으로 위험한 비정상(nonstationary) 도메인에서 특히 유망하다. 표준 O2O-RL 파이프라인은 여러 후보 정책을 오프라인으로 학습하고, 오프-정책(off-policy) 또는 온라인 평가를 통해 이를 평가한 뒤, 추정 가치가 가장 높은 정책을 배포하여 미세조정(fine-tuning)한다. 그러나 오프라인 사전학습과 마찬가지로, 미세조정 성능은 알고리즘과 하이퍼파라미터 선택에 매우 민감하여 단일 정책으로 확정하는 것은 위험을 수반한다. 목적: 본 연구는 O2O-RL 환경에서 제한된 상호작용 예산 내에 미세조정을 위한 능동적 정책 선택 문제를 다룬다. 이는 해당 문제를 다룬 최초의 연구이다. 방법: 온라인 상호작용을 정책 평가에 할당하는 것(고성능 정책 식별에 기여)과 미세조정에 할당하는 것(정책 성능 향상에 기여) 사이의 근본적인 트레이드오프를 규명하여 문제를 정식화한다. 이후 온라인 평가를 통해 획득한 관측값에 피팅된 국소 선형 성능 예측(locally linear performance forecasts)으로부터 도출된 미래 성능의 상한 신뢰 구간(upper-confidence bounds)에 기반하여 미세조정할 정책을 능동적으로 선택함으로써 이 트레이드오프를 균형 있게 조정하는 방법을 제안한다. 결과: 다양한 실험에 걸쳐 제안된 방법은 기존 O2O-RL 베이스라인을 일관되게 능가한다. 결론: 정책을 능동적으로 선택하고 미세조정하는 방식은 단일 정책으로 확정하거나 예산을 모든 정책에 균등하게 배분하는 방식보다 제한된 온라인 상호작용 예산을 더 효과적으로 활용한다. 또한 본 프레임워크는 온라인 상호작용이 비용이 높거나 위험한 실제 시스템에서의 실용적 배포를 향해 오프라인 강화학습을 진전시킨다.
통계 모델에 대한 특정 학습 데이터 포인트의 영향은 고전적으로 leave-one-out 영향력을 통해 측정되며, 이는 학습 세트에서 해당 포인트를 제거했을 때 모델 정확도에 미치는 효과를 정량화한다. Leave-one-out 영향력의 통계적 특성은 저차원 대표본 극한 $n\to \infty, d=O(1)$에서는 잘 이해되어 있지만, 고차원에서는 특정 샘플의 영향력이 다른 모든 학습 샘플과 비자명한 의존성을 형성하게 되어 더욱 복잡해진다. 가우시안 설계 하의 볼록 M-추정에서, 고차원 극한 $n\asymp d$에서 학습 세트 전체에 걸친 영향력의 분포가 특정 극한 측도로 수렴함을 보이며, 이를 정밀하게 특성화한다. 이러한 결과를 바탕으로, 영향력이 큰 샘플이 결정 경계(decision boundary) 근처에 위치하는 경향이 있음에 대한 근거를 제시하며, 이를 통해 능동 학습(active learning)의 표준적인 데이터 선택 휴리스틱과의 연결점을 확인한다.
범용 머신러닝 원자간 포텐셜(uMLIP)은 양자역학적 정확도와 대규모 분자 동역학을 연결하지만, r²SCAN과 같은 고정밀 계산의 비용으로 인해 학습 데이터셋은 개방된 소재 공간에 비해 여전히 작은 규모에 머문다. 또한 높은 평균 벤치마크 성능이 모든 구조에 대한 신뢰할 수 있는 에너지-힘 예측을 보장하지는 않는다. 본 논문에서는 고충실도 데이터 구축을 불확실성 하의 구조별 의사결정 문제로 재정식화하는 적응형 멀티-티처 라우팅(ATR, Adaptive Multi-Teacher Routing)을 제안한다. 소규모의 실제 r²SCAN 레이블을 활용하여, ATR은 사전학습된 복수의 uMLIP 티처를 보정하고, 구조적 서술자(structural descriptor)·티처 정체성·티처 간 불일치도를 결합하여 각 구조-티처 쌍의 신뢰도를 추정한다. 이를 통해 신뢰도가 높은 예측을 의사 레이블(pseudo-label) 생성에 선택하고, 어떤 티처도 충분히 신뢰할 수 없는 구조는 거부한다. 후보 구조의 단 0.2%에 해당하는 실제 r²SCAN 레이블만으로, ATR은 사전학습용으로 추적 가능한 r²SCAN 수준의 의사 레이블 289만 개를 증류해낸다. 홀드아웃 r²SCAN 구조 및 MP-r²SCAN 벤치마크에서, ATR 생성 데이터셋으로 학습된 경량 CHGNet은 기준선 및 라우팅 미적용 대조군을 일관되게 능가한다. 유한 온도 분자 동역학 시뮬레이션에서도 ATR은 복수의 소재 시스템에 걸쳐 동역학적 견고성을 향상시켜, 기준선 시뮬레이션이 파국적인 구조 붕괴를 겪는 상황에서도 안정적인 궤적을 유지하는 것으로 나타났다. 이러한 결과는 능동적 거부가 사전학습된 복수의 uMLIP을 고충실도 uMLIP을 위한 확장 가능하고 신뢰할 수 있는 데이터 구축 시스템으로 전환하는 효과적인 메커니즘임을 확립한다.
우리는 잡음이 있는 쌍별 비교로부터의 고정 신뢰도 기반 상위-$k$ 식별이라는 능동 학습 문제를 연구한다. 이 문제에서 알고리즘은 비교할 아이템 쌍을 순차적으로 선택하고 결과를 관찰하며, 오류 확률이 최대 $δ$인 상태에서 상위-$k$ 아이템 집합을 반환할 수 있을 때 멈춘다. 목표는 기대 비교 횟수(샘플 복잡도)를 최소화하는 $δ$-정확 절차를 설계하는 것이다. 이 문제는 밴딧 모델에서의 고정 신뢰도 순수 탐험(pure exploration)에 관한 광범위한 문헌에 속하며, 공통적인 목표는 점근적 최적성이다: $δ\to 0$일 때 알고리즘의 기대 샘플 복잡도가 정보이론적 하한과 일치한다. 점근적으로 최적인 절차가 다양한 고정 신뢰도 순수 탐험 문제에 대해 개발되어 왔으나, 우리가 아는 한 잠재 효용 모델 하에서 쌍별 비교를 통한 상위-$1$ 또는 더 일반적으로 상위-$k$ 식별에 대한 점근적 최적 알고리즘은 아직 확립되지 않았다. 이 설정에서 우리는 그러한 알고리즘을 개발한다. 우리는 하한의 구조를 분석하고 이를 안장점(saddle-point) 문제로 정식화한다. 이 구조를 통해 온라인으로 점근적 최적 비교 할당을 학습하는 계산 효율적인 프라이멀-듀얼 절차가 가능해진다. 이후 프라이멀-듀얼 절차가 학습한 할당을 추적하는 적응적 비교 할당 알고리즘을 구성하고, 이 알고리즘이 점근적으로 최적임을 증명한다.
온라인 실험에서의 A/B 테스트는 여러 후보를 동시에 테스트할 때 통계적 검정력 문제에 직면하며, 적응형 실험 설계(AED)만으로는 특히 다수의 지표(예: 수익, 안전성)와 이질적 분산이 존재하는 경우 평균 처리 효과(average treatment effect)와 같은 실험 통계량 추론에 한계가 있다. 본 논문은 두 단계 구조를 갖는 고정 예산 다중 지표 AED 프레임워크를 제안한다: 최적 처리를 식별하기 위한 적응형 탐험(exploration) 단계와, 처리의 품질을 검증하고 통계량을 추론하기 위한 A/B 테스트 기반의 검증(validation) 단계. 우리는 SHRVar를 제안하는데, 이는 순차적 이분법(SH)을 새로운 상대 분산 기반 샘플링과 보상(reward) z값에 기반한 제거 전략으로 일반화한 방법이다. SHRVar는 지수적으로 감소하는 증명 가능한 오류 확률을 달성하며, 여기서 지수 H3는 각각 동질적 및 이질적 분산에 대한 SH와 SHVar의 복잡도 측도를 일반화한다. 수치 실험을 통해 그 성능과 견고성을 입증한다.
9-1-1 신고 접수 교육은 다양한 사건 유형과 프로토콜별 세부 사항을 아우르는 천 가지 이상의 상호의존적 기술의 숙달을 요구합니다. 전국적인 인력 부족은 이미 교육 역량에 부담을 주고 있지만, 효과적인 교수를 위해서는 여전히 교관이 각 교육생의 변화하는 역량에 맞춰 목표를 조정해야 합니다. 이러한 개인화 부담은 현재의 방식으로는 확장이 불가능합니다. 메트로 내슈빌 비상 통신국(MNDEC)과의 협력을 통해, 우리는 PACE(Personalized Adaptive Curriculum Engine)를 제안합니다. PACE는 (1) 교육생의 기술 상태에 대한 확률적 신념 유지, (2) 개인별 학습 및 망각 역학 모델링, (3) 새로운 역량 습득과 기존 역량 유지의 균형을 맞추는 훈련 시나리오 추천을 통해 교관의 의사결정을 보조하는 코파일럿 시스템입니다. PACE는 구조화된 기술 그래프에 걸쳐 증거를 전파하여 진단 커버리지를 가속화하고, 컨텍스트 밴딧(contextual bandits)을 적용하여 교육생이 해결할 준비가 된 격차를 목표로 하는 시나리오를 선택합니다. 실험 결과, PACE는 최신 프레임워크 대비 역량 달성 시간을 19.50% 단축하고 최종 숙달도를 10.95% 향상시키는 것으로 나타났습니다. 현직 교육 담당관과의 코파일럿 연구에서는 실제 사례에 대한 PACE와 전문가의 교육학적 판단 간 95.45%의 일치율을 추가로 입증했습니다. 추정 측면에서 PACE는 처리 소요 시간을 11.58분에서 단 34초로 단축하여 최대 95.08%의 감소를 달성합니다.
3D 가우시안 스플래팅(3D Gaussian Splatting)의 최근 발전은 인상적인 포토리얼리스틱한 새로운 시점 합성(novel view synthesis)을 가능하게 했다. 그러나 순수한 렌더링 엔진에서 자율 에이전트(autonomous agents)와 안전 필수 애플리케이션을 위한 신뢰할 수 있는 공간 맵으로 전환하기 위해서는, 표현이 어디서 불확실한지를 아는 것이 렌더링 충실도 자체만큼이나 중요하다. 우리는 픽셀 단위의 시점 의존적 예측 불확실성 추정을 위한 경량의 플러그앤플레이(plug-and-play) 프레임워크를 도입하여 이 핵심적 격차를 해소한다. 우리의 사후(post-hoc) 방법은 재구성 잔차에 대한 베이즈 정규화 선형 최소자승 최적화로 불확실성을 공식화한다. 이 아키텍처 독립적 접근법은 기반 장면 표현을 수정하거나 기준선 시각적 충실도를 저하시키지 않고 프리미티브별 불확실성 채널을 추출한다. 결정적으로, 이 실행 가능한 신뢰성 신호를 제공함으로써 3D 가우시안 스플래팅이 신뢰할 수 있는 공간 맵으로 성공적으로 전환됨을 입증하며, 능동적 시점 선택, 포즈 독립적 장면 변화 감지, 포즈 독립적 이상 탐지라는 세 가지 중요한 다운스트림 인식 작업 전반에서 최신 성능을 더욱 향상시킨다.
레이블 비용이 높은 환경에서 블랙박스 모델의 예측값을 활용해 위험(risk) 추정의 분산을 줄이는 PPAT(Prediction-Powered Active Testing) 프레임워크를 제안하며, 기존의 비편향 LURE 추정기에 예측 기반 제어 변량(control variate)을 결합해 의사 레이블(pseudo-label) 방식의 편향 문제 없이 손실을 잔차화한다. 표 형식 회귀 및 이미지 분류 태스크에서 기존 방법 대비 위험 추정 성능이 향상되고, 더 적은 레이블로 목표 신뢰 구간 커버리지를 달성함을 실험적으로 검증하였다.
베이지안 실험 설계(BED)에서 기대 정보 이득(EIG)의 이중 난해성을 정책 학습과 분리하는 ScoreBED를 제안하며, 스코어 매칭(score matching)으로 사전 학습된 스코어 네트워크를 활용해 정책 학습 시 곱셈적 중첩 샘플링 비용을 덧셈적 비용으로 전환한다. 이를 통해 아키텍처 탐색이나 하이퍼파라미터 튜닝 없이도 여러 경쟁력 있는 정책을 효율적으로 학습할 수 있음을 실험으로 입증했다.
기존의 의사결정 인식 실험 설계(decision-aware experimental design) 및 능동 학습(active learning) 방법이 숨겨진 효과에 취약한 결정을 산출할 수 있다는 문제를 다루며, 베이즈 결정 이론에 기반해 적대적 변수 변동에 대한 최악 상황을 명시적으로 고려하는 순차적 강건 실험 설계 기준(AR-DEIG)을 제안한다. 합성 및 실세계 골관절염(OAI) 데이터셋 실험에서, 제안 방법은 기존 방식 대비 적대적 변동 하에서 현저히 더 안정적이고 신뢰할 수 있는 의사결정을 달성함을 보인다.
시각적 게임 관찰에서 숨겨진 논리 규칙을 추론하고 능동적 실험을 통해 가설을 검증해야 하는 상호작용 벤치마크 ZendoWorld를 제안하며, 인식(perception)·귀납(induction)·실험이 통합된 단일 평가 루프 하에 VLM, 베이지안 파티클 필터링, 신경-기호 방법 등 다양한 에이전트를 평가한다. 주요 발견으로, 레이블 예측 정확도는 실제 규칙 복원을 보장하지 않으며, VLM 기반 에이전트는 가설 불확실성을 줄이는 데 거의 도움이 되지 않는 실험을 제안하는 등 현재 AI 에이전트와 인간 사이에 귀납적 추론 격차가 존재함을 확인하였다.
인공지능은 과학적 발견을 발전시켜 왔지만, 대부분의 AI4Science 시스템은 문제 공식화, 문헌 그라운딩, 모델 활용, 시뮬레이션, 검증, 지식 재활용을 인간이 조율하는 데 의존하는 단편적인 도구로 남아 있다. 본 논문은 에이전틱 조직적 연결 허브 기반의 과학적 협력 혁신 시스템인 SCION(Scientific Collaborative Innovation with Agentic Organizational Nexus)을 제안한다. SCION은 조직적 연결 허브(organizational nexus)로서 기능하는 에이전틱 과학 운영 체제이다. 메타-하네스(Meta-Harness)로 작동하는 사이언스 에이전트(Science Agent)를 통해, SCION은 과학적 태스크, 도구, 에이전트, 아티팩트, 메모리를 연결하여 연구를 실행 가능하고 감사 가능하며 재사용 가능한 운영 프로세스로 전환한다. 핵심에는 연구 실행 계획(Research Execution Plan, REP)이 있으며, 이는 고수준의 과학적 의도를 단계적 목표, 의존성, 검증 체크포인트, 도구 요구사항, 예상 아티팩트, 폴백 조건으로 컴파일한다. SCION은 장기적 과학 연구를 지원하기 위해 계층적 멀티 에이전트 실행, 프로파일 기반 전문화, 선택적 컨텍스트 구성, 통제된 위임, 층화된 인식론적 메모리를 추가로 통합한다. 우리는 SCION 하에서의 발견을 목표 조건부 역탐색(Target-conditioned Inverse Search)으로 공식화하고, 유한한 실험 예산 하에서의 배치 능동 탐색을 통해 숨겨진 목표 설정으로 이를 확장한다. 소재 분석, 분자 설계, 단백질 또는 항체 스크리닝 응용 사례와 함께 과학적 읽기, 아이디어 생성, 분자 생성, 항체 스크리닝에 대한 실험을 통해, SCION이 기존 자율 연구 에이전트 기준선을, 특히 분해, 검증, 정제, 메모리 재사용 측면에서 능가함을 보인다. 전반적으로 SCION은 AI를 고립된 도구에서 추적 가능하고 재사용 가능한 과학적 혁신을 위한 조율된 운영 층으로 전환시킨다.
생태음향 모니터링의 방대한 오디오 데이터 주석 비용을 줄이기 위해, 클래스 균형 불확실성과 임베딩 공간 참신성을 결합하고 행렬식 포인트 프로세스(Determinantal Point Process, DPP)로 비중복 배치를 선택하는 능동학습(active learning) 획득 방법인 CARE-DPP를 제안한다. BioDCASE 2026 챌린지의 BirdSet 및 ATBFL 데이터셋 평가에서 공식 CoreSet 기준선 대비 평균 AULC 0.46 대비 0.50을 달성했으며, 에블레이션 연구를 통해 DPP 배치 다양화와 적응형 획득 스케줄이 성능 향상의 주요 요인임을 확인했다.
Automated experimentation is moving from closed-loop optimization toward open decision-making, where human or AI planners must forecast the consequences of candidate actions before executing them. Such forecasts require a model of both sides of the experiment: how the sample is likely to respond and what the instrument is likely to detect. We therefore introduce a coupled digital-twin framework that separates these roles and then links them. In this framework, the sample twin encodes material state inferred from prior knowledge and measurements till the moment. The instrument twin captures signal formation, feedback dynamics, and operating constraints based on prior knowledge. When coupled, the two twins estimate expected outcomes, uncertainty, and risk for candidate microscope operations. For amplitude-modulation scanning probe microscopy, we realize this framework with a physics-informed encoder of force-distance curves, a deterministic scanner model of cantilever and feedback dynamics, and sparse learned residual corrections. The encoder first recovers scanner-driving descriptors with sub-nanometer accuracy. The calibrated scanner then reproduces typical traces within a few nanometers and identifies operating-point noise amplification as the main source of mismatch. Supplementary phase analysis localizes residual error to the phase channel, which clarifies where added physics is needed. Together, these results establish coupled sample and instrument twins as a practical foundation for predictive microscope operation and autonomous experimental planning.
DNN 테스트 시 레이블링 예산을 사전에 정해야 하는 문제를 해결하기 위해, AdaStop은 한계 결함 발견율(marginal fault discovery rate)을 슬라이딩 윈도우로 추정하고 이 비율이 비용-편익 임계값 τ=c/v 아래로 떨어지면 레이블링을 자동 중단하는 프레임워크다. 다양한 데이터셋, 아키텍처, 선택 전략에서 실험한 결과, 전체 레이블링 예산의 9–31%만 사용하여 결함의 65–84%를 발견할 수 있음을 보였다.
가우시안 프로세스(GP) 회귀를 위한 능동적 양자 커널 획득(AQKA-GP)을 제안하며, 한정된 샷 예산 내에서 예측 결합 $|\alpha_i\alpha_j|$, leave-one-out 잔차, 주변 가능도 그래디언트라는 세 가지 폐쇄형 쌍 수준 민감도를 Neyman 최소 분산 할당 규칙에 적용해 커널 그람 행렬의 샷을 비균일하게 분배한다. UCI 벤치마크 및 합성 실험에서 균일 할당 대비 테스트 RMSE를 10–21% 개선하고, 실제 ZZ 및 Pauli-Z 양자 커널에서도 저예산 구간에 13–15%의 성능 향상을 확인했다.
Normal-Inverse-Wishart(NIW) 사후 분포를 활용해 3D 가우시안 스플래팅(3DGS)의 기하 구조를 베이지안 방식으로 추적하는 렌더링 인식 프레임워크를 제안하며, 선택적 디리클레 프로세스 확장을 통해 확률적 복잡도 제어를 지원한다. 고정 예산 능동적 시점 선택 과제에서 표준 앙상블 기준선 대비 PSNR +0.453 dB 향상을 달성하고, 약 1/3의 학습 비용으로 딥 앙상블 대비 10배 더 정확한 구간 보정을 실현한다.
호기심을 하나의 생태계로 보는 개념적 토이 프레임워크로, 단일 에이전트의 탐문 정책을 즉각적 불확실성 감소, 비용, 지연 보상, 질문 개방 가치의 가중합으로 정식화하고 경험에 따른 선호 편향(preference drift)을 모델링한다. 나아가 이를 다수 에이전트가 공유 지식 지형을 탐색하는 집단 수준으로 확장하여, 탐문 규모·주제 다양성·프런티어 지향성·지식 재사용성 등 집단적 호기심 생태학(curiosity ecology)을 분석하는 기반을 제공한다.
악의적 주체가 그래프에 오염된 정점을 삽입하는 구조적 적대 공격 환경에서, 적은 수의 레이블 질의로 오염 정점을 복원하는 능동 학습(active learning) 알고리즘을 제안한다. 핵심 기여는 그래프의 정점 확장(vertex expansion)이 질의 복잡도를 결정하는 핵심 요소임을 처음으로 이론적으로 규명하고, 제곱합(sum-of-squares) 알고리즘을 응용해 카디널리티 제약 하에서 소규모 정점 확장 집합을 찾는 다항 시간 알고리즘을 도출한 것이다.