PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.03203v4cs.SD

VoxReason: 음성 합성 전 출처 기반 음성 전달 계획 검증

VoxReason: Auditing Source-Grounded Speech Plans Before Synthesis

계획 정확도(plan accuracy)만으로는 음성 전달(speech-delivery) 결정이 출처를 따르는지 여부를 입증할 수 없습니다. 고정된 사전 확률(prior)은 원래 레이블과 일치할 수 있지만 단서가 변경될 때 적절히 반응하지 못할 수 있습니다. VoxReason은 각 발화를 고정한 채 지정된 출처 레이블 단서 하나를 수정하고 인용된 근거, 8개의 계획 필드 및 허용된 응답을 평가하는 100개 사례의 검증기 벤치마크를 제공합니다. 출처 키가 분리된(source-key-disjoint) 24개 사례 테스트에서 출처 감정 사전 확률은 계획 슬롯 정확도 0.958에 도달하지만, 수정된 24개의 중립 목표 중 어느 것도 학습 레이블에 나타나지 않으며 필수 변경 정확도(required-change accuracy)는 0.000입니다. 이는 지원되는 수정에 대한 성능이 아니라 해당 사전 확률의 지원 경계를 진단합니다. 상호보완적인 32개 사례의 감정 분리(emotion-disjoint) 테스트에서 사전 확률은 수정된 중립 목표를 모두 확인했지만 원래의 두 테스트 감정은 확인하지 못했습니다. 이 테스트에서 계획 슬롯 정확도는 0.219이고 필수 변경 정확도는 1.000입니다. 분할은 동일한 100개 사례를 재사용하고 중복하므로 이러한 결정론적 진단은 독립된 집단이나 학습된 플래너의 결과가 아닙니다. 이 벤치마크는 오디오 입력, 생성된 음성 또는 청취자 평가가 아닌 파생된 레이블과 구조화된 계획을 평가합니다.

arXiv:2607.20916v1cs.AI

추적 가능한 학술: 생성형 AI 시대 인문학적 탐구를 위한 페이지 앵커와 아리아드네의 실

Traceable Scholarship: Page Anchors and Ariadne's Thread for Humanistic Inquiry in the Age of Generative AI

생성형 AI는 대규모 언어 모델(LLM)이 수초 만에 학술적으로 보이는 텍스트를 생성하게 해 주지만, 유창성이 곧 유효한 설명을 의미하지는 않는다. 가장 깊은 위험은 사실 오류만이 아니라, 명확한 출처, 페이지 번호, 판본, 또는 증거 없이도 설명이 이미 확립된 것처럼 보이는 외양이다. 우리는 페이지 앵커를 아리아드네의 실에 비유한다: 생성적 유창성의 미로 속에서, 그것은 학자를 원전으로 되돌려 이끄는 실이다. 본 논문은 AI 보조 인문학 연구를 위한 최소 규범적 조건으로 추적 가능한 학술(Traceable Scholarship)을 제안하고, 이를 지식 인프라의 세 번의 혁명—인쇄, 디지털, 생성형 AI—의 맥락에서 위치시킨다. 우리는 페이지 앵커, 이중 페이지 번호, 인용 우선 생성, NO_EVIDENCE, 인간 검증, 4단계 준수, Scope Contract를 소개하고, AIH-Infra를 3층 참조 구현으로 제시한다: Contexture(문서 구조화), Open WebUI AIH-Infra(추적 가능한 지식 베이스), AIH-Infra MCP Server(에이전트 게이트웨이). 29권짜리 Kant Akademie-Ausgabe 지식 베이스에 대한 사례 연구는 추적 가능성이 검색 교정, 증거 등급 부여, 판단 하향 조정을 어떻게 지원하는지 보여준다. 추적 가능성은 소프트웨어 특징이 아니다; 그것은 생성형 AI 시대에 인문학 연구가 공적이고 반박 가능한 상태로 남을 수 있는 조건이다.