PyTorchKR Papers

최신 논문

총 11,108편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.05412v1cs.CY

AI는 왜 STEM 교육에 새로운 가능성을 열어주는가? 동향과 미래 의제에 대한 계량서지학적 분석

Why does AI unlock new possibilities in STEM education? A Bibliometric Analysis of Trends and Future Agenda

STEM 교육은 개인화 및 학제 간 통합 측면에서 여러 과제에 직면해 있다. AI 기술은 새로운 가능성을 가져왔지만, AI가 STEM 교육 생태계를 재편하는 메커니즘에 대해서는 체계적인 연구가 필요하다. 본 연구는 계량서지학적 방법론을 활용하여 2015년부터 2025년까지의 논문 242편을 분석하고, 지식 지도를 구축하여 발전 궤적을 규명한다. 연구 결과, 해당 분야는 지능형 튜터링 시스템에서 대규모 언어 모델(LLM) 기반의 탐구 학습 및 컴퓨팅 사고력 함양으로 변화하였음이 나타났다. AI의 핵심적인 기여는 지식 이해의 진입 장벽을 낮추는 지능형 스캐폴딩(scaffolding)을 제공하는 데 있다. 이러한 맥락에서 AI는 STEM 교육을 지식 전달에서 역량 개발로 전환시키는 핵심 동력이라 할 수 있다.

arXiv:2607.05406v1cs.CY

바이브 코딩을 통한 AI 기반 학습 기술 개발을 위한 K-12 교사 지원 가이드 프레임워크

A Guiding Framework for K-12 Teachers in Creating AI-powered Learning Technologies through Vibe Coding

대규모 언어 모델(LLM)은 자연어 프롬프트로부터 코드를 생성하여 "바이브 코딩(vibe coding)"을 가능하게 하며, 이는 비프로그래머도 컴퓨팅 솔루션을 개발할 수 있도록 해준다. 교사를 위한 바이브 코딩은 교사-설계자로서의 가치를 증폭시켜 기술 통합을 개선하는 동시에 AI 리터러시를 함양한다. 그러나 이 과정을 지원하기 위한 체계적인 지침은 부족한 실정이다. 우리는 K-12 교사들이 바이브 코딩을 통해 AI 기반 학습 기술을 개발할 수 있도록 지원하는 프레임워크인 GAIDE(A Guiding Framework for AI-Integrated Design for Educators)를 제안한다. 디자인 씽킹(Design Thinking)과 INTERACT를 기반으로 구축된 초기 프레임워크는 8주간의 워크숍에서 세 명의 교사와 네 명의 교수 멘토를 대상으로 한 CORDTRA 상호작용 분석을 통해 검증되어 최종 프레임워크를 도출하였다. 또한 사전·사후 인터뷰의 질적 분석을 통해 교사들의 AI 리터러시 향상이 확인되었다. 연구 결과는 전문성 개발에 있어 창작을 통한 학습(learning-by-creating)의 잠재력을 강조한다.

arXiv:2607.05404v1cs.CY

들쭉날쭉한 글로벌 경제: 프론티어 AI가 국가 경제에 미치는 불균등한 영향

The Jagged Global Economy: Frontier AI Unevenly Exposes National Economies

141개국의 직업별 고용 데이터와 AI 노출 점수를 결합한 국가 단위 AI 노출 지표를 제안하며, 고소득 국가와 여성이 더 높은 노출도를 보이고 유럽·중앙아시아가 사하라 이남 아프리카보다 50% 더 높다는 사실을 밝혔다. 또한 타지키스탄처럼 해외 송금 의존도가 높은 국가의 간접 노출 메커니즘을 새로 규명하며, 미국·유럽 중심의 AI 정책 대응이 다른 국가에 일반화될 수 없음을 보여준다.

arXiv:2607.05403v1cs.CY

아랍 대학교 영어 수업에서의 AI 도구: 과거 회고와 미래 전망

AI tools in Arab University English classrooms: Looking back and forward

본 논문은 2023년 1월 1일부터 2025년 8월 31일까지 아랍 대학교 교실(AUC)에서 영어를 제2언어/외국어(EL2)로 학습하는 학습자를 지원하기 위해 사용된 AI 도구에 관한 실증 연구를 종합하는 것을 목표로 한다. 데이터 소스로는 Google Scholar, Web of Science, Scopus의 3개 대규모 데이터셋을 활용하였다. 이들 주요 데이터베이스에서 PRISMA 가이드라인에 따른 검색을 수행하여 출판된 논문만을 포함하였다. 검색 결과 184편의 연구가 도출되었으나, 포함 기준을 충족한 연구는 11편에 그쳤다. 연구 결과, EL2 학습자들은 초안 작성, 수정, 연습을 위한 AI 활용에 긍정적인 태도를 보이는 것으로 나타났다. 실증적 효과는 표면적 수준의 성과 향상에서 가장 일관되게 나타났으며, 고차원적 쓰기 품질 및 말하기 능숙도 향상은 혼재된 결과를 보였고 교사 매개에 따라 달라지는 경우가 많았다. 본 논문은 EL2 교수에 있어 증거 기반의 AI 통합을 추구하는 아랍 대학교를 위한 연구 의제와 실용적 지침을 제안하는 것으로 마무리된다. 또한 AI 도구에 대한 과도한 의존을 줄이기 위해 단계적 통합, 교사 연수, 성찰적 과제를 권장한다.

arXiv:2607.05061v1cs.LG

KVpop -- 예측 기반 온라인 가지치기를 통한 키-값 캐시 압축

KVpop -- Key-Value Cache Compression with Predictive Online Pruning

KVpop은 자기회귀 디코딩 시 KV 캐시 메모리 병목을 해결하기 위해, 밀집 어텐션 맵 없이 미래-어텐션 신호를 학습 타깃으로 삼아 보존-또는-제거 결정을 직접 지도하는 희소 어텐션 레트로핏 방법을 제안한다. Qwen3-4B 기준 75% 캐시 압축 시 전체 어텐션 성능의 98%를 유지하고, 지연 메모리 기반 점수기를 통해 근미래 컨텍스트까지 활용함으로써 기존 제거 기법들을 일관되게 능가한다.

arXiv:2606.22504v1cs.CR

잔류 권한: 코딩 에이전트를 위한 취소 가능한 자원 및 효과 역량

Lingering Authority: Revocable Resource-and-Effect Capabilities for Coding Agents

코딩 에이전트가 하위 목표에만 필요한 자원 권한을 태스크 전체에 걸쳐 불필요하게 유지하는 "잔류 권한(lingering authority)" 문제를 다루며, 참조 모니터 PORTICO를 통해 요청-허가-호출 생명주기 기반의 취소 가능한 역량 관리 메커니즘을 제안한다. 실험 결과 PORTICO는 클로저 이후 금지된 효과의 재사용 시도를 10/10 차단하고 금지 효과 실행을 0/6으로 기록한 반면, 비취소 비교기는 각각 10/10 허용 및 6/6 실행을 허용했다.

arXiv:2606.18142v4cs.AI

당신의 AI 여행 에이전트는 투우를 예약할 것입니다: 프런티어 AI 모델의 암묵적 동물 복지를 위한 에이전트 기반 벤치마크

Your AI Travel Agent Would Book You a Bullfight: An Agentic Benchmark for Implicit Animal Welfare in Frontier AI Models

기존 연구는 질의응답 벤치마크를 사용하여 동물 복지를 평가해왔다. 본 연구는 이러한 평가가 에이전트 기반 환경에서도 동일하게 적용되는지 조사한다. 선행 연구에서 입증된 바와 같이, 에이전트는 독립형 대규모 언어 모델(LLM)과 다른 행동을 보일 수 있다. 본 연구는 TAC(Travel Agent Compassion)를 소개한다: 동물 활용을 평가하기 위한 최초의 에이전트 기반 벤치마크이다. TAC는 여섯 가지 동물 범주에 걸쳐 여행 예약 시나리오에서 AI 에이전트 행동을 평가하며, 가격, 평점, 위치에 따라 변형된 13개의 수작업 시나리오를 네 가지 증강 변형을 통해 52개의 프롬프트로 확장하고 세 번의 에폭(epoch)에 걸쳐 실행하여 모델당 156개의 채점된 관측값을 생성한다. 다섯 개 모델 패밀리에 걸친 아홉 개의 프런티어 모델이 평가되었다. 결과에 따르면 모델들은 유해한 시나리오를 선호하는 경향이 있으며, 중립적 예약 옵션 선택에 대한 무작위 확률인 65% 미만의 성능을 보였고, Claude 4.8이 64.7%로 가장 높은 성능을 달성했다. 이 문제를 해결하기 위해 윤리적 브랜드 정체성의 페르소나를 시스템 프롬프트에 주입한 결과, 아홉 개 모델 전체에서 복지 비율이 평균 53포인트 상승하여 32에서 80 퍼센트포인트 범위로 증가했다. 3,120개의 전사본에 대한 Inspect Scout 감사를 기반으로, 평가 인식이 결과에 영향을 미쳤다는 증거는 발견되지 않았다. 이러한 발견은 비인간 복지를 시스템적 위험으로 규정하는 EU 범용 AI 실천 강령(General-Purpose AI Code of Practice)과 직접적인 관련이 있다. TAC는 이 위험을 측정하기 위한 실용적인 방법을 제공한다.

arXiv:2606.13566v2cs.AI

과학적 발견을 위한 AI의 3계층 프레임워크

A Three-Layer Framework for AI in Scientific Discovery

현재 과학적 발견에서의 AI에 대한 논의는 종종 두 가지 눈에 띄는 역량에 의해 지배된다: 기존 지식에 대한 탐색(search)과 최적화, 시뮬레이션, 자동화를 통한 실행(execution). 둘 다 중요하지만, 어느 쪽도 발견의 핵심 행위인 모델의 형성과 진화를 완전히 포착하지는 못한다. 본 논문은 발견에서의 AI에 대한 3계층 관점을 제안한다. 1계층은 대규모 언어 모델(LLM)에 의한 탐색(search)과 검색(retrieval)이다. 2계층은 본 논문의 핵심 혁신으로, 질적 추론(qualitative reasoning)을 통한 모델 형성(model formation)이다: 현재 프레임워크가 구조적으로 부적절함을 인식하고, 시행착오(trial and error)가 아니라 무엇이 빠져 있으며 어디에서 찾을 수 있는지에 대한 구조적 통찰(structural insight)을 통해 더 넓은 표현 공간(representational space) 안에서 문제를 이해하는 능력. 3계층은 실행, 최적화, 정교화(refinement)이다. 핵심 주장은 2계층이 가장 중요하면서 동시에 가장 덜 개발된 영역이라는 것이다. 모델 형성 없는 탐색은 기존에 물려받은 프레임워크에 갇혀 있고, 개념적 수정(conceptual revision) 없는 실행은 기존 공식화(formulation)를 증폭할 뿐이다. 우리는 세 가지 사례 연구를 통해 2계층 추론을 설명한다: S. S. Chern의 Gauss-Bonnet 정리의 내재적(intrinsic) 증명, Lyapunov 함수를 통한 Nesterov 가속 경사(Nesterov Accelerated Gradient) 수렴 문제의 해결, 그리고 2026년 OpenAI의 Erdős 단위 거리(Erdős unit distance) 추측의 자율적 반증(autonomous disproof). 각 사례는 동일한 구조적 특징을 보인다: 부적절해진 프레임워크, 빠진 개념적 객체(conceptual object), 예상치 못한 인접 분야에서 찾은 해결.

arXiv:2606.00476v2cs.AI

말한 대로 행동하되, 추론한 대로는 아니다: LLM 에이전트의 충실성 격차 규명

Doing What They Say, Not What They Reason: Locating the Faithfulness Gap in LLM Agents

LLM 에이전트가 자신의 추론에 따라 실제로 행동하는지 측정하기 위해, Texas Hold'em 시뮬레이터에서 결론-행동(conclusion→action)과 추론-결론(reasoning→conclusion) 두 단계로 충실성 격차를 분리한 결과, 결론-행동 불일치율은 명시적 태그 사용 시 1% 미만으로 신뢰할 수 있지만, 추론-결론 단계에서는 규칙 오적용이 발생하며 이 경우 거의 항상(99.5%) 위험 회피 방향으로 오류가 편향됨을 발견했다. 기계적 규칙 적용을 지시하면 오적용 비율이 절반으로 감소하며, 이는 능력 한계가 아닌 헤징 행동임을 시사한다.

arXiv:2602.13213v2cs.AI

적대적 자기비평을 활용한 상업용 보험 언더라이팅을 위한 에이전틱 AI

Agentic AI for Commercial Insurance Underwriting with Adversarial Self-Critique

상업용 보험 언더라이팅의 고위험 규제 환경에 적합한 에이전트(agent) 시스템을 제안하며, 주 에이전트의 추론 결과를 비평 에이전트가 적대적으로 검토한 뒤 인간 심사자에게 전달하는 adversarial self-critique 메커니즘을 도입했다. 전문가 검증 500개 사례 실험에서 환각(hallucination) 발생률을 11.3%에서 3.8%로 낮추고 의사결정 정확도를 92%에서 96%로 향상시켰으며, 모든 최종 결정 권한은 인간에게 유보된다.

arXiv:2512.19458v2cs.AI

VASP 에이전트: 자율 제일원리 계산을 위한 에이전틱 프레임워크

VASP Agent: An Agentic Framework for Autonomous First-principles Calculations

VASP Agent는 재사용 가능한 도메인 기술, 결정론적 도구, 런타임 근거, 과학적 안전장치를 결합한 코딩 에이전트 기반 시스템으로, 구조 이완·밴드갭 계산·격자 상수 결정·흡착 에너지 등 다단계 VASP 제일원리 계산을 자율적으로 수행한다. 평가 결과 VASP Agent는 모든 태스크를 완료하였으며, 고정 파이프라인에서 종료를 유발하는 오류도 에이전틱 제어 하에서 진단·복구 가능함을 보였다.

arXiv:2510.19771v4cs.AI

반응성을 넘어서: LLM 에이전트의 능동적 문제 해결 능력 측정

Beyond Reactivity: Measuring Proactive Problem Solving in LLM Agents

LLM 에이전트의 능동적 문제 해결 능력을 평가하기 위해 PROBE(Proactive Resolution Of BottlEnecks) 벤치마크를 제안하며, 이는 미명시 문제 탐색, 병목 식별, 적절한 조치 실행의 세 단계로 능동성을 분해한다. 1,000개의 합성 직장 시나리오로 구성된 이 벤치마크에서 GPT-5와 Claude Opus-4.1이 최고 성능인 40%를 기록하며, 현재 최신 모델조차 진정한 자율적 에이전트 행동에 한계가 있음을 드러낸다.

arXiv:2510.07364v4cs.AI

기반 모델은 추론 방법을 알고, 사고 모델은 추론 시점을 학습한다

Base Models Know How to Reason, Thinking Models Learn When

RL 학습된 사고 모델(thinking model)과 SFT 증류 모델이 기반 모델 대비 무엇을 다르게 학습하는지 분석하기 위해, 희소 오토인코더(Sparse Autoencoder)로 추론 분류 체계를 비지도 방식으로 발견하고 구성적 모델 차분(constructive model diffing) 프레임워크를 제안한다. 9개의 기반/사고 모델 쌍 실험 결과, RL 학습은 기반 모델에 이미 존재하는 추론 메커니즘을 언제 활용할지 결정하는 휴리스틱을 주로 학습하는 반면, SFT 증류는 새로운 메커니즘 자체를 설치함을 보이며, 이는 효율적인 추론 모델 개발에 중요한 시사점을 제공한다.

arXiv:2508.01109v3cs.AI

빈곤 매핑을 위한 플라톤적 표상: 통합된 비전-언어 코드인가, 에이전트 유도 참신성인가?

Platonic Representations for Poverty Mapping: Unified Vision-Language Codes or Agent-Induced Novelty?

아프리카 60,000개 DHS 클러스터의 위성 이미지와 LLM 생성 텍스트 및 AI 검색 에이전트가 수집한 텍스트를 결합한 멀티모달 프레임워크로 가구 자산(IWI)을 예측한 결과, 비전과 텍스트 융합 모델이 비전 단독 대비 R² 0.63에서 0.77로 성능이 향상되었다. 비전-언어 임베딩 간 부분적 표상 정렬 증거가 발견되어 Platonic Representation Hypothesis와 대체로 부합하나, 에이전트 검색 데이터의 추가적 기여는 미미하고 불안정한 것으로 나타났다.

arXiv:2409.06067v3cs.AI

MLLM-LLaVA-FL: 멀티모달 대규모 언어 모델 보조 연합학습

MLLM-LLaVA-FL: Multimodal Large Language Model Assisted Federated Learning

MLLM-LLaVA-FL은 연합학습(FL) 환경에서 클라이언트 간 데이터 이질성과 롱테일 분포 문제를 해결하기 위해 서버 측에서 LLaVA 같은 멀티모달 대규모 언어 모델(MLLM)을 활용하는 3단계 프레임워크(전역 멀티모달 사전학습 → 연합 파인튜닝 → 전역 정렬)를 제안한다. 이 방식은 클라이언트 디바이스의 추가 연산 부담이나 그래디언트 전송 없이 인터넷 오픈소스 데이터를 효과적으로 활용하여, 기존 최신 연합학습 방법 대비 우수한 성능을 달성하면서도 프라이버시 보호를 강화한다.

arXiv:2607.05339v1cs.LG

TREK: 탐험을 위한 증류, 정제를 위한 강화

TREK: Distill to Explore, Reinforce to Refine

GRPO는 학생 모델의 온-정책 지지 범위 밖에 정답 모드가 있는 어려운 프롬프트에서 정체되는 문제를 해결하기 위해, TREK은 지식 증류를 모방이 아닌 탐험 지지 범위 확장 수단으로 활용하는 단계적 프레임워크를 제안한다. 교사 모델(블랙박스·화이트박스 모두 지원)로부터 검증된 후보 궤적을 선별해 순방향 KL로 학생 모델의 지지 범위를 확장한 뒤 표준 GRPO 정제로 복귀하는 방식으로, Qwen3-8B 기준 AIME 2025에서 36.9→40.3, ALFWorld에서 75.8→82.8의 성능 향상을 달성했다.

arXiv:2607.02576v1stat.ML

CORA: SVD 기반 저랭크 적응을 위한 슬라이스별 일관적 직교 회전

CORA: Per-Slice Coherent Orthogonal Rotation for SVD-based Low-Rank Adaptation

CORA(Coherent Orthogonal Rotation Adaptation)는 최소 섭동 이론에 기반하여 가중치 행렬의 각 행 슬라이스에 공유 직교 회전 $Q_i$를 적용함으로써 사전학습된 좌·우 특이 기저의 결합 기하 구조를 명시적으로 보존하는 SVD 기반 파인튜닝 방법으로, LoRA 대비 약 4배 적은 파라미터로 상식 추론 및 코드 생성 태스크에서 LoRA, DoRA, PiSSA, MiLoRA를 능가한다.

arXiv:2603.11784v2cs.LG

리플레이를 통한 언어 생성: 모델 붕괴에 대한 학습 이론적 관점

Language Generation with Replay: A Learning-Theoretic View of Model Collapse

모델 붕괴(model collapse)를 학습 이론의 관점에서 분석하기 위해, 생성기의 과거 출력을 예시 스트림에 재주입하는 리플레이(replay) 적대자를 도입한 언어 생성 프레임워크를 제안한다. 리플레이는 균일 생성(uniform generation)에는 무해하지만 비균일 생성 및 한계에서의 생성(generation in the limit)에서는 증명 가능한 성능 저하를 야기하며, 이는 데이터 정제·워터마킹·출력 필터링 같은 실무 휴리스틱의 이론적 근거와 한계를 동시에 설명한다.

arXiv:2602.07488v3cs.LG

자연어 통계로부터 신경망 스케일링 법칙 도출

Deriving Neural Scaling Laws from the statistics of natural language

자연어의 통계적 특성으로부터 신경망 스케일링 법칙(neural scaling laws)의 지수를 정량적으로 예측하는 최초의 이론을 제시하며, 토큰 쌍 간 상관관계의 시간적 감쇠 지수 β와 조건부 엔트로피의 컨텍스트 길이 감쇠 지수 γ만으로 α_D = γ/(2β)라는 공식을 도출한다. 이 이론은 TinyStories와 WikiText 데이터셋에서 GPT-2 및 LLaMA 스타일 모델을 학습시킨 실험 결과와 자유 매개변수 없이 놀라운 일치를 보인다.

arXiv:2512.15765v3cs.LG

순차적 선호 최적화를 통한 LLM 정렬을 위한 Shapley 기반 데이터 가치 평가

Shapley-based Data Valuation for LLM Alignment via Sequential Preference Optimization

DPO, IPO 등 Direct Alignment Algorithm(DAA)을 활용한 LLM 정렬 시 여러 선호 데이터셋의 기여도를 Shapley 값으로 평가하려면 지수적 수의 파인튜닝이 필요한 문제를 해결하기 위해, 순차적 선호 최적화(Sequential Preference Optimization)를 도입하여 로그-정책 비율 공간에서의 가법적 합성 구조를 활용해 필요한 파인튜닝 횟수를 데이터 소스 수에 대해 선형으로 줄였다. 이를 통해 실제 선호 데이터셋에 대한 Shapley 값을 효율적으로 계산하고 각 소스가 모델 정렬에 미치는 영향을 정량적으로 규명했다.