PyTorchKR Papers

최신 논문

총 6편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.23893v1cs.IR

누가 이름으로 언급되는가: 인용 유형이 그라운딩된 언어 모델의 개인 이름 언급을 예측하며, 명단 기반 측정 도구는 이를 0.5%만 포착한다

Who Gets Named: Citation Type Predicts Individual Naming by Grounded Language Models, and a Roster Instrument Captures 0.5% of It

AI 브랜드 가시성에 대한 선행 연구는 기업 수준을 측정한다: 모델이 회사를 추천하는지, 그리고 그것이 기업의 평판과 일치하는지를 본다. 본 연구는 구매자가 사람을 선택하는 카테고리에서 한 단계 아래 수준의 질문을 던진다. 2026년 7월 24일 2시간 창구에 걸쳐 2,400건의 그라운딩 API 호출을 수행했다: 구매 의도 프롬프트 120개, 네 가지 모델(GPT-5.6 Sol, Gemini 3.6 Flash, Perplexity Sonar Pro, Grok 4.5), 각각 5회 반복, 네 개 유럽 시장과 다섯 가지 질의 언어. 모든 응답은 개인 전문가를 이름으로 언급했는지 여부에 대해 코딩되었으며, 명단을 참조하지 않는 규칙 연쇄를 통해 이루어졌고, 동명의 미국 도시로 해석되는 탐지는 제외했다(정밀도 96.9%, 재현율 61.7%, 따라서 아래의 모든 비율은 하한이다). 모든 추론은 프롬프트 내 클러스터링을 보정한다: 클래스 내 상관 0.258, 명목 2,400 대비 유효 n 407. 모델은 응답의 25.8%에서 개인을 이름으로 언급했다. 카테고리가 지배적이다: 부동산 35.4%, 자동차 대리점 32.9% 대 보험 9.1%(chi-square 159.3, 보정 후 p = 5.8e-8). 모델은 4배 차이를 보인다: Grok 38.0%에서 Gemini 9.3%까지. 인용 유형은 이름 언급을 예측하고 인용량은 그렇지 않다: 이름을 언급한 응답은 해당 개인의 자체 사이트를 2.6%p 더 자주 인용하고(95% CI +1.4~+3.9) 카테고리 포털을 4.3%p 더 자주 인용하며, 기업 소유 페이지는 동일한 비율로 인용한다(44.1% 대 45.5%). 아홉 쌍의 대응 번역 쌍에서 영어 프롬프트는 응답의 36.7%에서 개인을 이름으로 언급했고, 동일 질문을 현지어로 한 경우 15.6%였다(OR 3.14, 클러스터링 보정 p = 0.074, 방향은 분명하나 설계로 이를 확정할 수는 없다). 공개 LinkedIn 검색으로 구축한 939명 명단은 27,293건의 이름 형태 언급 중 128건과 일치했다(0.47%), 939명 중 26명만이 한 번이라도 언급되었고, 0.0%~25.4%의 명단 기반 비율은 그 중첩을 측정한다. 개인 AI 가시성의 명단 기반 측정은 모델이 실제로 하는 일의 작고 대표성 없는 일부만 본다.

arXiv:2607.05401v1cs.DL

인공지능 연구의 촉매 논문: ICLR 2017-2025 지형 분석

Catalyst Papers in Artificial Intelligence Research: A Landscape on ICLR from 2017 to 2025

ICLR 2017-2025의 36,113편 논문을 대상으로 후속 연구 방향을 측정 가능하게 전환시키는 '촉매 논문'을 식별하기 위해 네 가지 파괴적 혁신성 측도(CD 지수, node2vec, EDM, LLM 평가기)를 비교한 결과, 방향 인식 임베딩 방식인 EDM이 AUC 0.83으로 가장 우수한 성능을 보였다. 동료 리뷰 점수는 미래 파괴적 혁신성과 사실상 무관한 것으로 나타났으며(|ρ| ≤ 0.005), 채택·거절 논문 간 평균 EDM이 통계적으로 구별되지 않아 제출 시점의 심사 신호가 연구 방향 전환을 예측하지 못함을 corpus 규모에서 실증하였다.

arXiv:2607.03709v1cs.CL

GRASP: 고충실도 관련 연구 생성을 위한 그래프 추론 기반 서베이 계획

GRASP: Graph-Reasoning Aided Survey Planning for High-Fidelity Related Work Generation

문헌 리뷰를 작성하려면 인용 논문들 간의 관계, 즉 논문들이 서로를 어떻게 발전시키고, 반박하거나, 대안적 관점을 제시하는지에 대한 깊은 이해가 필요하다. 우리는 관련 연구 생성을 위한 대규모 언어 모델(LLM) 계획과 그래프 알고리즘을 결합하여 인용 논문들 간의 핵심 관계를 추출하는 프레임워크인 Graph-Reasoning Aided Survey Planning(GRASP)을 제안한다. 우리의 2층(two-layer) 그래프 구조는 사고의 그래프(Graph of Thoughts)와 논증-반론 계획 네트워크(Argument-Counterargument Planning Network)로 구성되어 인용 논문들을 서로 다른 세분화 수준으로 표현하며, Steiner 트리를 통한 위상 인식 가지치기(topology-aware pruning)를 적용하여 그래프에 포착된 핵심 논문 간 관계를 식별한다. 인용 분석 기반 평가 결과, GRASP가 생성한 관련 연구 섹션(RWS)은 담화 역할, 의도, 인용 그룹화 측면에서 인간이 작성한 목표 텍스트와 매우 유사하게 일치함을 보였다.

arXiv:2601.17020v2cs.DL

How Do We Engage with Other Disciplines? A Framework to Study Meaningful Interdisciplinary Discourse in Scholarly Publications

학제간 연구 출판물에서 인용 목적 분류 체계(taxonomy)와 Citation Engagement Predictor(CEP)를 제안하여, 단순 인용 다양성 지표를 넘어 타 분야 문헌을 얼마나 깊이 활용했는지 정량적으로 측정한다. NLP와 Computational Social Science 교차 연구 2,031편을 대상으로 한 대규모 분석을 통해 프레임워크의 유효성을 실증하였다.

arXiv:2606.29859v1cs.CL

자연어 처리 분야에서 알고리즘 언급 동기 탐구: 심층 학습 접근법

Exploring Motivations for Algorithm Mention in the Domain of Natural Language Processing: A Deep Learning Approach

데이터 집약적 과학의 부상과 함께 알고리즘은 과학 연구의 핵심이 되었다. 학술 논문에서 알고리즘은 특정 연구 과제에 대한 방법을 기술, 사용, 비교, 또는 개선하는 등 다양한 목적으로 언급된다. 이러한 목적을 파악하면 알고리즘 간의 관계를 밝히고 그 역할과 가치를 평가하는 데 도움이 된다. 자연어 처리(NLP)를 예시로 삼아, 본 연구는 알고리즘 언급 동기의 식별, 분석, 진화 추적을 위한 문장 수준의 프레임워크를 제안한다. 먼저 수동 어노테이션과 기계 학습을 통해 전문 논문에서 알고리즘 개체와 알고리즘 관련 문장을 식별한다. 이후 사전학습 모델과 데이터 증강(data augmentation)을 활용하여 언급 동기를 분류(classification)하고, 그 분포와 시간적 변화를 분석한다. 결과에 따르면, 증강된 데이터로 학습된 심층 학습(deep learning) 모델이 동기 분류에서 전통적인 기계 학습 모델보다 우수한 성능을 보인다. NLP 논문에서 알고리즘 관련 문장의 절반 이상이 직접 사용을 표현하는 반면, 개선은 가장 드문 동기이다. 동기의 다양성은 시간이 지남에 따라 증가하였다. 특정 알고리즘 범주를 살펴보면, 문법 기반 알고리즘은 기술(description) 목적으로 더 자주 언급되는 반면, 기계 학습 알고리즘은 사용 목적으로 더 자주 언급된다. 시간이 지남에 따라 다양한 알고리즘에서 사용 동기가 기술 동기를 점차 대체해 왔으며, 개별 알고리즘과 연관된 동기 유형의 수는 크게 감소하였다. 본 연구는 저자들이 학술 글쓰기에서 알고리즘 개체를 언급하는 방식을 밝히고, 알고리즘 관계 식별 및 알고리즘 영향 평가에 관한 향후 연구의 기반을 제공한다.

arXiv:2606.24099v1cs.AI

Exploring Academic Influence of Algorithms by Co-occurrence Network Based on Full-text of Academic Papers

Algorithms have become central to scientific research in the era of artificial intelligence (AI). Although algorithm mentions in papers are often used to indicate popularity and influence, existing studies usually evaluate individual algorithms in isolation and pay limited attention to the collective influence formed through their interconnections. This study constructs large-scale algorithm co-occurrence networks in natural language processing (NLP) based on the full text of academic papers and investigates algorithm influence from a network perspective. Using deep learning models, we extract algorithm entities and build overall, cumulative, and annual co-occurrence networks. We analyze their structural characteristics and apply multiple centrality measures to assess the group influence of algorithms across the whole field and over time. The results show that algorithm networks display typical features of complex networks, with increasingly dense connections developing over approximately two decades. Classic, high-performing algorithms and those located at the intersections of different research periods tend to have high popularity, control, centrality, and balanced influence. When the influence of an algorithm declines, it usually loses its core network position first, followed by weaker associations with other algorithms. This study is the first large-scale analysis of algorithm co-occurrence networks. Covering more than four decades of academic publications, it provides a temporal and structural view of algorithm influence and offers a foundation for future research on networks linking algorithms, scholars, and tasks.