저선량 CT 획득의 비효율적인 균일 각도 샘플링 문제를 해결하기 위해, SAVER는 투영 데이터의 통계적 분산을 기반으로 구조적 정보가 풍부한 방향을 실시간으로 우선 선택하는 Softmax 기반 확률적 스케줄링(simulated annealing 적용) 프레임워크를 제안한다. 8가지 팬텀 실험에서 기존 무작위 샘플링 대비 일관되게 높은 재구성 충실도를 달성했으며, 특히 구조적 이방성이 강한 객체와 고노이즈 환경에서도 강건한 성능을 보였다.
q-상태 Potts 마르코프 랜덤 필드(MRF) 기반의 정보 기하학적 프레임워크인 CuBAS는 레이블된 데이터셋을 통계 다양체로 모델링하고, Fisher 정보의 1차·2차 비율로 추정한 국소 곡률을 활용해 지도 분류에서 정보량이 높은 샘플을 적응적으로 선택한다. 결정 경계 주변의 고곡률 영역과 균질한 저곡률 영역을 모두 포함하는 방식으로 훈련 부분집합을 구성하며, 60개 이상의 벤치마크 데이터셋에서 랜덤 샘플링 및 불확실성 기반 베이스라인 대비 통계적으로 유의미한 분류 정확도 향상을 달성한다.
과학을 위한 에이전틱 AI는 아이디어 발굴, 계획, 분석을 자동화할 수 있지만, 최종 검증(validation)은 여전히 실제 실험에 의존한다. 자율 실험실(SDL, self-driving lab)은 이러한 실험을 수행할 수 있지만, 루프에는 여전히 병목이 존재한다: 에이전트(agent)가 가치 낮은 실험에 너무 많은 라운드를 소비하거나, 각 라운드에 비용이 높은 실험이 요구될 수 있다. 우리는 하나의 에이전트로 이 두 가지 물리적 병목을 해결한다. 첫째, 사전 인식(prior-aware) 에이전틱 실험 설계(DOE) 루프는 도메인 지식과 과거 결과를 활용하여 실현 가능하고 정보성 높은 다음 실험을 제안함으로써 목표 달성에 필요한 시도 횟수를 줄인다. 둘째, 비용 인식(cost-aware) 대리 에이전트(surrogate agent)는 저비용·저해상도 측정으로부터 고비용·고해상도 측정을 예측하며, 예측된 불확실성을 기반으로 고비용 측정과 저비용 측정 중 하나를 선택한다. 우리는 이 두 방향을 각각 생물학 및 재료 도메인에서 검토한다. 단일 에이전트 아래 결합된 이러한 구성 요소들은 루프 수와 실험당 비용을 모두 줄임으로써 SDL 루프를 가속화하는 것을 목표로 한다.
알고리즘 교정(algorithmic recourse)은 잠재적으로 고위험 상황에서 불리한 머신러닝 의사결정에 영향을 받은 사용자에게 맞춤형 권고를 제공하는 과제를 다룬다. 교정에 대한 기존 접근법은 흔히 최근접 반사실적(counterfactual) 설명에 의존하거나 사용자의 인과 구조에 대한 사전 지식을 가정함으로써, 개별 맥락과 특징(feature) 간 상호작용을 간과하는 개입을 야기한다. 이러한 한계를 극복하기 위해, 우리는 교정 권고를 생성하기 전에 베이지안 추론(Bayesian inference)을 통한 대화형 쿼리로 사용자의 구조적 인과 모델(structural causal model)을 반복적으로 근사하는 인간 참여형(human-in-the-loop) 프레임워크를 연구한다. 이 프레임워크는 인간의 피드백을 활용하여 인과 효과의 식별을 개선함으로써, 각 사용자의 실제 인과 의존성에 부합하는 타당하고 비용 효율적인 개인화된 교정을 가능하게 한다. 개념 증명으로서, 우리는 시뮬레이션된 인간 응답을 통해 이 프레임워크를 평가한다. 선형 및 비선형 인과 모델에 걸친 시뮬레이션은 유망한 결과를 보여주지만, 복잡한 비선형 구조를 포착하는 데 어려움이 남아 있어 정확한 근사와 강건한 노이즈 분포 모델링의 중요성을 강조한다.
기존 능동적 퓨샷 학습(AFSL) 방식이 예측 엔트로피나 외부 임베딩 기반 출력 수준 신호에 의존해 모델 내부 동태를 간과하는 문제를 해결하기 위해, NeuFS는 LLM의 FFN 뉴런 활성화 패턴을 직접 활용해 샘플을 표현하고 다양성 확보와 환각(hallucination) 가능성 높은 샘플 우선 선택을 동시에 수행하는 이중 기준 선택 전략을 제안한다. 세 가지 데이터셋에서의 실험 결과, NeuFS는 추론 및 텍스트 분류 작업 모두에서 기존 AFSL 기준선을 능가하며, 내부 뉴런 활성화가 외부 임베딩보다 더 효과적인 선택 신호임을 검증하였다.
LLM을 평가자(judge)로 사용할 때 발생하는 장황성(verbosity) 및 위치 편향(position bias)을 편향-인식 베이즈 Bradley–Terry 모델로 명시적으로 모델링하여, 고정된 비교 예산 내에서 top-k 아이템을 정확히 식별하는 방법을 제안한다. 16개의 실제 LLM 평가자 실험에서 단순 집계 방식은 편향된 평가자에서 잘못된 top-k로 수렴하지만, 제안 모델은 recall을 0.5~0.6에서 0.84~1.0으로 끌어올리며, top-k 멤버십 불확실성에 집중하는 능동적 쌍 선택 규칙은 라운드로빈 대비 훨씬 적은 비교 횟수로 동일한 성능에 도달한다.
능동 학습(Active Learning)에서 기존 코어셋(coreset) 방법이 회전·스케일 등 데이터 대칭성을 무시해 레이블 예산을 낭비하는 문제를 해결하기 위해, 변환 군(transformation group)이 유도하는 궤도(orbit) 단위로 샘플을 선택하는 군-불변 코어셋 프레임워크 GRINCO를 제안한다. CIFAR-10, STL-10, MNIST 등의 이미지 벤치마크에서 회전 유도 중복이 클수록 기존 코어셋 기법 대비 레이블 효율이 뚜렷하게 향상됨을 실험으로 확인하였다.
카메라 트랩 조사에서 동물 재식별(ReID)의 어려움을 해결하기 위해, 시각적 유사도에 카메라 위치·타임스탬프 기반 시공간 실현 가능성 점수를 결합한 인간 참여형(human-in-the-loop) 프레임워크 Spotted를 제안한다. LeopardID102, SpottedHyenaID109, SpottedHyenaID415 데이터셋에서 최고 기준선 대비 상위 5위 식별 정확도를 최대 9pp 향상시키고, 능동적 쌍 샘플링(active pair sampling) 전략으로 전문가 검토 비교 횟수를 최대 69pp 줄이는 성과를 달성했다.
비즈니스 문서 표 추출을 위한 캐스케이드 파이프라인(표 검출 → 표 구조 인식)에 능동 학습(AL)을 적용할 때 단계 간 의존성을 고려하지 못하는 문제를 해결하기 위해, 이미지 분류용 하이브리드 커버리지-불확실성 샘플링 방법인 Uncertainty Herding을 캐스케이드 객체 검출에 최초로 적용하고 RankFusion과 CAPA라는 두 가지 파이프라인 인식 확장 방법을 제안한다. PubTables-1M, FinTabNet 등 4개 데이터셋 실험에서 CAPA가 가장 일관된 전략으로 나타났으며, RankFusion은 더 높은 기대 성능을 달성하나 분산이 크다는 트레이드오프가 존재함을 확인하였다.
능동 학습(Active Learning)의 성능이 레이블 예산에 따라 달라지는 현상을 PAC 방식의 리스크 분해를 통해 이론적으로 규명하고, 지배적인 일반화 메커니즘의 전환으로 학습 단계를 재해석하는 프레임워크를 제안한다. 분절 회귀(segmented regression)와 측정 가능한 프록시를 활용해 데이터 주도, 전환, 모델 주도의 세 단계를 자동 식별하며, 자연 이미지 및 의료 이미지 실험에서 전략의 귀납적 바이어스를 현재 활성 병목에 맞추는 것이 AL 효율을 결정함을 보인다.
44개의 AI 패턴 관련 문헌에서 769개의 패턴 후보를 발굴해 14개 패턴 클래스로 분류한 뒤, 능동 학습(active learning)을 활용해 100개의 오픈소스 GitHub 저장소에서 AI 패턴의 실제 사용 빈도를 검증하는 방법론을 제안한다. 코드 호출 그래프에 Louvain 기법을 적용한 새로운 청킹 방식과 유병률 추정(prevalence estimation)을 결합하여, 8-way 분류 과제에서 무작위 기준선(11%) 대비 크게 향상된 56% 정확도를 달성했다.
대규모 언어 모델(LLM)이 내부 불확실성을 잘못 표현하는 문제를 해결하기 위해, 모델의 자기 성능 판단 품질을 기반으로 강화학습 보상을 조정하는 메타인지 피드백 강화학습(RLMF)과 메타인지 데이터 선택 기법을 제안한다. 제안된 프레임워크는 충실한 보정(faithful calibration) 과제에서 표준 강화학습 대비 최대 63% 성능 향상을 달성하며, 수치적·언어적 불확실성 표현 모두에서 최첨단 성능을 보인다.
저자원 자연어 처리(NLP) 분야가 지난 10년간 급속히 성장했음에도 불구하고, 모델 스케일링 역량이 진정한 평가에 필요한 인간 인프라—주석 전문성, 언어 공동체 참여, 데이터 주권—를 훨씬 앞질러 나가는 '주석 희소성 역설(Annotation Scarcity Paradox)'이 보고된 성과의 인식론적 타당성을 위협한다고 비판적으로 진단한다. 이 서베이는 2014년부터 현재까지의 저자원 NLP 평가를 세 단계로 분석하며, 추출적 데이터 파이프라인에서 벗어나 공동체 주도의 참여적 평가 체계로의 패러다임 전환을 촉구한다.
Delirium is common in hospitalized patients and is often missed in routine care. We present a user-centered interactive machine learning (UC-iML) framework for delirium detection support that combines physician-guided feature refinement with interpretable modeling. Using 3,862 labeled admissions from six Toronto hospitals in the General Medicine Inpatient Initiative (GEMINI), we integrate administrative variables, laboratory results, medications, and a radiology-derived text indicator. Physicians guide feature refinement and model evaluation, and Shapley Additive exPlanations (SHAP) are used to summarize feature attribution. We evaluate standard supervised classifiers with temporally separated holdout testing and a later-phase validation cohort. Compared with automated and baseline variants, the proposed framework shows better overall discrimination and stronger temporal robustness, while the explanations highlight clinically meaningful signals. These results support UC-iML as a practical human-in-the-loop framework for clinically relevant delirium modeling.
효율적인 가우시안 프로세스(GP) 추론은 능동 학습, 온라인 예측, 베이지안 최적화와 같은 순차적 의사결정 작업에 있어 매우 중요합니다. 켤레 그래디언트, 확률적 경사하강법, 교대 투영과 같은 솔버를 사용하여 GP 사후 분포를 근사하는 반복적 접근법은 3차 비용을 피할 수 있지만, 수렴하기까지 많은 반복이 필요한 경우가 많아 새로운 데이터로 사후 분포를 자주 업데이트해야 하는 상황에서는 효용이 제한됩니다. 이를 해결하기 위해, 사후 분포를 새로운 데이터로 업데이트할 때 더 작은 선형 시스템의 해를 활용하여 수렴을 크게 가속화하는 세 가지 웜스타트 전략을 제안합니다. 제안된 방법들은 재생 커널 힐베르트 공간(RKHS) 거리에서의 초기화 오류 감소를 보여주는 이론적 분석과 회귀 벤치마크 및 베이지안 최적화 작업에서의 실험 결과에 의해 뒷받침됩니다. 다양한 솔버에 걸쳐, 웜스타팅은 허용 오차 내 해를 구할 때 최대 19배의 속도 향상을 달성하며, 고정된 계산 예산 하에서 더 정확한 사후 추정치를 생성하여 최적화 성능을 직접적으로 향상시킵니다. 이러한 결과들은 웜스타팅이 순차적 설정에서 가우시안 프로세스를 스케일링하기 위한 간단하고 효과적이며 광범위하게 적용 가능한 도구임을 입증합니다.
베이즈 최적화(Bayesian optimization) 원리에서 영감을 받은 BEACON은 사전 정의된 목적함수 없이 다양한 시스템 동작을 효율적으로 탐색하기 위해 다중 출력 가우시안 프로세스(multi-output Gaussian processes)로 입력-결과 매핑을 모델링하고, 톰슨 샘플링 기반 획득 함수로 기존 관측 아카이브와의 거리를 기준으로 새로운 입력을 선택한다. 화학, 재료 과학, 분자 설계 분야의 벤치마크 및 실제 사례 연구에서 BEACON은 제한된 평가 예산 하에 여러 경쟁 기준선보다 일관되게 더 넓은 범위의 고유한 동작을 발견하는 성과를 보였다.
광학 네트워크 장애 탐지에서 개념 드리프트(concept drift) 적응 문제를 해결하기 위해, 마진 기반 불확실성 샘플링으로 가장 유용한 샘플만 선택적으로 레이블링하는 하이브리드 능동-온라인 학습(active-online learning) 프레임워크를 제안한다. Adaptive Random Forest(ARF) 기반의 이 방법은 스트리밍 샘플의 3.4%만 쿼리하여 완전 지도학습 온라인 모델과 동등한 정확도 및 AUC를 달성하면서, 정적 추론 대비 이벤트당 0.0026ms의 무시할 만한 지연 오버헤드만 추가한다.
기존 온라인 데이터 선택 방식의 '배치 제약' 한계를 극복하기 위해, 가우시안 프로세스(Gaussian Process) 회귀로 전체 학습 데이터의 품질 유용성 다양체를 모델링하고 적응형 전략 융합 메커니즘으로 고품질 샘플을 전역적으로 우선 샘플링하는 GAIA 프레임워크를 제안한다. fixed-share Hedge 프레임워크 기반의 동적 후회 보장(dynamic-regret guarantee)을 통해 비정상적 품질 점수 하에서도 강건성을 유지하며, 세 가지 데이터셋에서 GREATS 등 최신 기준 방법을 크게 능가하는 성능을 달성하였다.
자율 과학 이미징의 핵심 전제는, 베이지안 방식이든 강화학습(RL) 기반이든 아니면 다른 적응형 방식이든, 더 스마트한 탐색이 샘플 효율적인 획득을 위한 주된 수단이라는 것이다. 우리는 주사 투과 전자 현미경(STEM)에서 이와 반대되는 증거를 제시한다. STEM은 원자 해상도의 이미징 방식으로, 모든 측정이 시료에 손상을 주는 전자 선량을 누적시킨다. 우리는 STEMGym을 소개한다. 이는 다섯 가지 소재, 세 가지 난이도, 네 가지 특성 분석 태스크에 걸쳐 15개의 물리 시뮬레이션 STEM 환경으로 구성된 오픈소스 Gymnasium 벤치마크로, 정보 대 선량의 파레토 프론티어를 포착하는 단일 스칼라인 선량-효율 곡선 면적(DEC-AUC)으로 평가된다. 현실적인 선량 예산 하에서 33가지 에이전트 구성을 평가한 결과, 선량 효율의 지배적 결정 요인은 탐색기(navigator)가 아닌 분석(인식) 파이프라인이었다. 훈련된 CNN 분석기와 단순 래스터 스캐닝을 결합하면 CNN이 없는 래스터 기준선 대비 DEC-AUC가 5.5배 향상되었으며(0.287 대 0.052), 반면 베이지안 또는 적응형 유한 상태 기계 탐색으로 래스터를 대체하더라도 통계적으로 유의미한 추가 이득은 없었다. 프로덕션급 비전-언어 모델은 결정학적 결함 분석에서 태스크 특화 CNN 대비 약 13배 낮은 성능을 보였다. 통합된 선량 예산 하에서 인식, 탐색, 계획을 분리함으로써 STEMGym은 자율 전자 현미경에서 머신러닝(ML) 노력이 어디에 투자되어야 하는지를 재정립하고, 이를 검증할 측정 인프라를 제공한다.
본 연구에서는 학습자가 최종 추천을 기권할 수 있는 베이지안 고정 예산 최적 팔 식별(best-arm identification) 문제를 다룬다. 기권 예산 $α$를 제약으로 두고, 기권 없이 열등한 팔을 추천할 위험인 미탐지 오류 확률을 분석한다. 핵심 발견은 기권이 위상 전이를 유발한다는 점이다. 기권이 없을 경우 오류 확률은 샘플링 예산 $T$에 대해 다항식적으로 감소하지만, 임의의 작은 양의 기권 예산을 도입하면 지수적 감소로 전환된다. 가우시안 사전 분포(prior)와 보상에 대해, $T\to\infty$ 후 $α\downarrow0$인 체제에서 최적 오류 지수에 대한 정보이론적 하한과 알고리즘 상한을 정확하게 일치시켜 도출하며, 이 지수는 $\exp(-\frac{α^{2}T}{8κ_ν^{2}})$ 형태를 취한다. 난이도 매개변수 $κ_ν$는 상위 두 팔 간 격차가 0에서의 사전 밀도를 나타내며, 거의 동점인 인스턴스가 근본적인 오류를 유발함을 부각한다. 우리는 통계적으로 모호한 인스턴스에 기권 예산을 집중 투입하여 이 최적 지수를 달성하는 적응형 알고리즘 PGWS를 제안한다. 나아가 이 다항식-지수 개선이 베이지안 현상에 국한됨을 입증한다. 빈도주의(frequentist) 환경에서는 기권이 하위 차수의 지수 항에만 영향을 미친다. 또한 가우시안 모델을 넘어 결과를 확장한다.