PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.27165v1cs.CL

문장이 아닌 증거를 세어라: 장문 텍스트 가치관 측정을 위한 LLM 판단의 템퍼드 증거 융합(Tempered Evidence Fusion)

Count Evidence, Not Sentences: Tempered Evidence Fusion of LLM Judgments for Long-Text Value Measurement

대규모 언어 모델(LLM)은 긴 소셜 미디어 게시물로부터 대중의 가치 지향을 측정하는 데 점점 더 많이 사용되고 있으나, 이러한 게시물에는 배경 설명, 인용, 양보 표현이 섞여 있고 입장을 드러내는 문장은 소수에 불과한 경우가 많다. 기존 접근법은 모델이 문서 수준 레이블을 직접 예측하도록 하여 과신(overconfident)에 빠질 수 있거나, 문장 수준 예측을 다수결(majority voting) 또는 소프트 보팅(soft voting)으로 집계하여 불확실한 문장과 결정적인 문장을 동등하게 유용한 정보로 취급한다. 본 논문은 장문 텍스트 가치관 측정을 의사결정 융합(decision-fusion) 문제로 정식화하고, 일반화 베이지안 사후분포(generalized Bayesian posterior)로부터 도출된 정규화된 정보 이득(information gain)으로 각 문장의 로그 오즈(log-odds)에 가중치를 부여하는 학습이 필요 없는(training-free) 규칙인 템퍼드 증거 융합(Tempered Evidence Fusion, TEF)을 제안한다. 이를 통해 불확실한 문장에 대해서는 융합 점수가 거의 0에 가까워지면서도, 결정적인 증거에 대해서는 베이즈 최적 가중치가 유지된다. 또한 5년에 걸친 공공 사건과 여섯 가지 가치 차원을 아우르는 중국어 및 영어 게시물 8,358건으로 구성된 벤치마크인 Multi-event Insight Network Dimensions(MIND)를 새롭게 소개한다. MIND에서 TEF는 다섯 개의 LLM과 두 언어에 걸쳐, Direct, Majority Vote, Soft Vote 중 가장 강력한 기준선(baseline)보다 평균 4.5 정확도 포인트, 4.6 macro-F1 포인트 높은 성능을 보였다. MIND 데이터셋과 코드는 https://github.com/Kzczc/ICASSP2027-TEF 에서 확인할 수 있다.

arXiv:2609.22353v1cs.AI

PAANI: 강 로봇 시뮬레이션을 위한 온디바이스 시각적 증거 융합 및 설명 가능한 가이던스

PAANI : On Device Visual Evidence Fusion and Explainable Guidance for River Robot Simulation

이동형 하천 모니터링 로봇은 지리적 웨이포인트만으로는 설명할 수 없는 장애물과 수역 경계를 해석해야 한다. 자원이 제한된 플랫폼에서는 불완전한 시각 예측을 시의적절하고 검사 가능한 가이던스로 바꾸는 것이 별도의 과제이다. 객체 레이블이나 조향 명령만으로는 어떤 증거가 결정을 뒷받침하는지, 그 증거가 언제 신뢰할 수 없는지 설명되지 않는다. 우리는 프로젝트에서 학습한 YOLO11n 검출기와 맞춤형 MobileNetV3 Small 의미 분할기를 Arduino UNO Q에서 타임스탬프 정렬 증거 융합과 결합한, 온디바이스 지각-가이던스 아키텍처인 PAANI를 제시한다. bounded tracking은 객체 지속성을 제공하고, 명시적 통로(corridor) 정책은 수면 레이블, 수용된 검출, 긴급도, 마스크 불확실성을 결합한다. 각 최종 권고는 기여한 증거와 정책 근거를 노출한다. ROS 2 인터페이스는 로컬 AI 파이프라인을 별도의 Gazebo 선박, 위치 추정 및 제어 테스트베드와 연결한다. 학습에는 4클래스 검출용 WaterScenes 이미지 10,000장과 분할용 MaSTr1325 이미지 1,127장(분할 검증 이미지 198장 포함)을 사용한다. 선택한 FP32 ONNX 모델은 14.817 MB를 차지한다. 검출기 체크포인트 테스트 mAP(0.5 IoU)는 0.7388이며, 별도로 평가한 직사각형 ONNX 내보내기의 검증 mAP(0.5 IoU)는 0.7367이다. 분할 ONNX 검증 mIoU는 0.9750이다. 5분간 UNO Q 녹화에서 구성된 0.5 Hz 주기로 파이프라인 지연의 중앙값과 95백분위는 각각 467.8 ms와 580.3 ms였다. 평가에서는 검은 입력 오분류와, 진단용 겉보기 운동(apparent motion) 추정기가 충분한 증거를 수집하지 못하게 하는 샘플링 속도 불일치도 확인했다. 이 결과는 모델 정확도 및 온보드 실행과 검증된 수상 충돌 회피를 명확히 구분하면서, 검사 가능하고 재사용 가능한 엣지 로보틱스 기반을 뒷받침한다.