렐루 활성화 함수를 사용하는 심층 학습에서, 입력 층의 유클리드 손실에 대한 경사하강법에 기반하여, 가중치가 엄밀한 의미에서 활성화에 의해 구별되는 좌표계에 적응되어 있다는 가정 하에, 누적 편향과 가중치를 지배하는 명시적 방정식을 유도한다. 경사하강법이 입력 층에서의 동역학적 과정에 해당함을 보이며, 이 과정에서 데이터 클러스터가 점진적으로 복잡도가 감소("절단")되는데, 그 속도는 지수적이며 이미 절단된 데이터 포인트 수가 많을수록 더 빨라진다. 그래디언트 플로우 방정식의 여러 유형의 해에 대해 상세히 논의한다. 본 연구의 주요 동기는 지도 학습에서의 해석 가능성 문제에 대한 통찰을 제공하는 것이다.
양자 머신러닝(QML)과 고전 머신러닝(CML) 모델 7쌍을 지도학습 및 강화학습 과제에서 통합 프레임워크로 실증 비교한 연구로, 현 단계에서 QML 모델은 전반적인 예측 성능·정책 안정성·학습 시간 면에서 고전 기준선을 넘어서지 못하지만 노이즈 필터링 및 위양성(false positive) 억제에서는 QCNN을 중심으로 뚜렷한 이점을 보였다. 큐비트 병목, 하드웨어 노이즈 취약성, 학습 효율 격차, 최적화 불안정성(barren plateau) 등 QML의 주요 과제를 체계적으로 정리하며 향후 강건성 및 파라미터 최적화 연구의 기반을 제공한다.
휠체어 사용, 승하차 시간, 사용자 호환성 등 복수의 복잡한 제약이 있는 간호 케어 택시 배차(Nursing Care Taxi Dispatch) 문제를 차량 경로 문제(VRP) 변형으로 정식화하고, 정수 선형 계획법(ILP) 솔버로 생성한 고품질 해를 Transformer 기반 지도학습 모델에 학습시킨 뒤 후처리로 제약 만족을 보장하는 하이브리드 방법을 제안한다. 실제 간호 시설 데이터 평가에서 기존 방법 대비 제약 위반을 최소화하면서 30명 이하 규모에서 운행 시간을 최대 8% 단축하는 균형 잡힌 성능을 달성하였다.
현대 AI의 성공은 인간이 어떻게 학습하는지에 대해 무엇을 알려줄 수 있는가? 본 논문은 인간 학습의 모델로서 AI를 진지하게 받아들이면, 겸손하지만 진정한 연상주의를 뒷받침한다고 주장한다. 핵심 발견은 지도 학습(supervised learning)—평가적 피드백에 의해 이끌리는 학습—이 대규모 언어 모델부터 게임 플레이 에이전트에 이르기까지 현대 AI 시스템의 놀랍도록 넓은 범위의 기반을 이루며, 주로 관련 피드백 신호를 생성하는 데 필요한 작업량에서 차이가 난다는 것이다. 이는 영역에 걸쳐 작동하는 균일하고 점진적이며 오류 주도적인 학습 메커니즘이라는 연상주의적 이상을 입증하며, 연상주의적 메커니즘이 인간의 인지 능력을 설명하기에 너무 제한적이라는 한때 영향력 있던 주장을 약화시킨다. 동시에, 심층 학습의 성공은 고전적 연상주의자들이 상상했던 것을 훨씬 넘어서는 계산 아키텍처에 의존하며, 지도 학습은 학습에 대한 완전한 설명이라기보다 이러한 아키텍처 내에서 하나의 구성 요소로 작동한다.