분산형 소셜 미디어 플랫폼에서는 데이터 접근, 중재, 라벨링, 배포 책임이 여러 기술 및 거버넌스 계층에 분산되므로, 계산 정신 건강(computational mental health) 연구에 새로운 기회와 과제가 생긴다. 본 논문은 AT Protocol 기반 분산형 소셜 미디어 플랫폼인 Bluesky에서 자살 사고(suicidal ideation, SI) 및 더 넓은 범위의 정신 건강(mental health, MH) 공개(disclosure) 벤치마크를 구성·평가하기 위한 검증 인식 약한 감독(weak-supervision) 시스템을 제시한다. 이 시스템은 공개 firehose 수집, 과제별 어휘집(lexicon) 필터링, Llama-3-8B 보조 이진 주석(annotation), 인간 판정(human-adjudicated) 검증 서브셋, 트랜스포머 기반 모델 벤치마킹을 통합한다. 이 파이프라인으로 SI 라벨 게시물 8,346개와 MH 라벨 게시물 9,988개를 담은 과제별 코퍼스 두 개를 구성한다. 평가 결과, 모델 성능은 과제 정의와 검증 프로토콜 모두에 크게 좌우된다. BERT+LSTM은 SI 계층화 교차검증(stratified cross-validation) F1-score에서 최고이며, RoBERTa는 SI 홀드아웃(holdout) F1-score에서 가장 높고, DistilRoBERTa는 MH 교차검증 F1-score에서 최고이다. 인간 검증은 과제별로 약한 라벨(weak-label) 실패 양상이 다름을 보여 주며, SI 라벨은 거짓 음성(false negative)이, MH 라벨은 거짓 양성(false positive)이 우세하다. 이는 분산형 소셜 미디어가 재현 가능한 정신 건강 벤치마킹을 뒷받침할 수 있으나, 시스템 설계·라벨 출처(provenance)·검증 전략·배포 제약을 함께 평가할 때에만 가능함을 시사한다.
기준 장비가 개별 세포 라벨이 아니라 집단 통계만 보고할 때, 2D 현미경 영상으로부터 3D 세포 특성을 추론하기는 어렵다. 본 연구에서는 단일 2D 적혈구 이미지를 잠재 생물물리량에 매핑하고 이를 평균적혈구용적(MCV), 적혈구 분포 폭(RDW), 평균적혈구헤모글로빈(MCH)으로 집계하는 집단 감독(population-supervised) 프레임워크를 제안한다. 모델은 공유 국소 추론(inference), 부피와 헤모글로빈을 위한 생물물리적으로 구조화된 디코더, 학습된 인스턴스 가중치, 장치별 보정을 결합한다. 집계 관측이 제한된 인스턴스 예측기를 식별하는 조건을 형식화하고, 집단 수준의 일치만으로는 단일 세포 특성이나 3D 기하를 식별할 수 없음을 보이며, 부분집합 평균 매칭(subset mean matching)에 의해 유도되는 분산 페널티를 유도한다. 개발 데이터셋(dataset)은 6대 장치에 걸친 390개 시검체와 1,105회 촬영으로 구성되며, Sysmex 분석기 대비 Pearson 상관계수 0.86–0.98이 보고되었다. 이 프레임워크는 명시적 3D 재구성을 주장하지 않으면서, 2D 이미지와 집단 감독으로부터 3D 세포 생물물리학에 이르는 검증 가능한 경로를 제공한다.
퓨샷 분할(FSS)은 일반적으로 깨끗한 픽셀 수준의 서포트 마스크를 가정하지만, 실무적인 서포트 지도 학습에서는 박스, 스크리블(scribble), 거친 마스크, 또는 의사 마스크(pseudo-mask)가 자주 사용된다. 이러한 약한 주석에는 타깃과 함께 텍스처가 유사한 방해 요소(distractor)와 배경 맥락이 포함될 수 있어, 쿼리 예측 전에 클래스 프로토타입이나 시각적 프롬프트를 오염시킨다. 본 논문은 SADe를 제안한다. 이는 쿼리 정보 없이 선택된 서포트 패치의 신뢰도를 추정하는 예측기 무관(predictor-agnostic) 서포트 정화 층이다. SADe의 핵심은 희소 오토인코더(SAE) 원자(atom) 증거이다. 밀집 유사도(dense similarity)는 타깃과 텍스처가 유사한 맥락 모두에 반응할 수 있는 반면, 약한 서포트 영역 내부와 외부의 원자 활성화를 대비하는 것은 요인 수준(factor-level)의 신뢰도 단서를 제공한다. 경량 라우터(router)는 원자 증거와 밀집 유사도 및 에피소드 통계를 결합하여 패치 신뢰도를 예측하고 정화된 서포트 마스크를 생성한다. FSS-1000의 합성 약한 서포트 에피소드에서 한 번 학습된 라우터는 모든 타깃 평가에서 고정(frozen)된다. 결과 마스크는 독립 예측을 지원하거나, 쿼리 측 추론을 변경하지 않고 네이티브 서포트 인터페이스를 통해 이질적인 FSS 모델에 제공될 수 있다. 일치하는 약한 서포트 프로토콜 하에서 SADe는 9개의 독립 프롬프트-샷 조합 중 6개에서 최고의 쿼리 mIoU를 달성한다. 동일한 ProMi 쿼리 헤드에서 tight box 하에서는 SAM3 파생 마스크와 0.03 mIoU 이내이며, box-r2 및 box-r4에서는 각각 11.17 및 19.49 포인트를 초과한다. 플러그인으로서 SADe는 4개의 고정 다운스트림 모델과 2개 데이터셋에 걸친 72개의 일치하는 box-family 비교 중 70개에서 raw support 대비 개선한다. 포인트 및 스크리블 프롬프트에서는 평균 성능이 해당 raw-support 기준선에 가깝게 유지된다. Ablation 및 원자 제거(atom-removal) 대조 실험은 원자 증거가 밀집 유사도를 넘어 신뢰도 정보에 기여함을 보여준다.
약지도 RGB-D 현저 객체 검출(SOD)은 픽셀 수준 주석의 큰 부담을 줄이기 위해 연구되어 왔다. 그러나 스크리블 주석은 객체의 구조와 세부 정보를 갖추지 못해 부정확한 현저성 맵을 초래한다. 본 논문에서는 스크리블 지도 RGB-D SOD 방법을 제안하며, 이는 Segment Anything Model(SAM) 기반 의사 주석 생성 방법(SAM-PAG)과 상태 공간 상호작용 기반 조건부 확산 모델(S²Diff)으로 구성된다. 구체적으로 SAM-PAG는 희소한 지도 정보 문제를 해결하도록 맞춤 설계되었다. SAM-PAG에서는 이중 분기 구조와 분할 마스크의 일관성을 통해 희소한 스크리블을 조밀한 픽셀 수준 의사 주석으로 확장하기 위해 고급 SAM을 채택한다. S²Diff에서는 조건 정보의 안내 하에 노이즈가 있는 현저성 맵을 반복적으로 정제하여 정확한 현저성 맵을 생성하기 위해 확산 모델을 채택한다. 당연히 우리 S²Diff의 핵심은 조건 특징의 획득과 현저성 맵의 노이즈 제거에 있다. 전자에 대해, 주파수 통합과 암시적-명시적 상태 공간 상호작용을 통해 다중 모달 특징을 엮는 크로스 모달 조건부 생성 모듈을 사용하여 효과적으로 전역 조건 특징을 달성한다. 후자에 대해, 조건적 문맥으로 객체 정보를 강화하고 노이즈 간섭을 완화하기 위해 문맥 주입 모듈을 사용한다. SAM-PAG와 S²Diff의 긴밀한 협력을 통해, 우리 방법은 관련 스크리블 지도 방법들을 능가하고 7개 데이터셋에서 완전 지도 방법과 비교해 경쟁력 있는 성능을 달성한다. 우리 방법의 코드와 결과는 https://github.com/Switch457/WeakS2Diff_SOD 에서 확인할 수 있다.
복강경 수술 영상의 정밀한 시공간(spatial-temporal) 어노테이션은 시간이 많이 소요되며 전문가 지식이 필요하다. 우리는 액티브 학습(active learning)과 이중 손실(dual-loss) 최적화를 결합한 휴먼-인-더-루프(human-in-the-loop) 지식 획득 프레임워크를 제안하여, 수술 분야 내 객체의 자동 위치 추정(localization) 및 분할(segmentation)에 필요한 어노테이션 노력을 크게 줄인다. 우리 방법은 파운데이션 모델(foundation model)을 사용하여 두 가지 상보적 학습 목표를 통해 영상으로부터 시간적으로 일관된 클래스 활성화 맵(CAM)을 생성한다: 약하게 어노테이션된 데이터에 대한 영상 수준 도구 존재 라벨에 대한 약한 지도 손실(weak supervision loss), 그리고 액티브 학습을 통해 얻은 인간이 수정한 어노테이션에 대한 이미지 수준 마스크 손실(image-level mask loss). 처음부터 촘촘한 픽셀 수준 어노테이션을 요구하는 대신, 파이프라인은 모델이 이전에 포착한 지식을 전문가 어노테이터가 정제할 수 있도록 유도하는 의사 마스크(pseudo-mask)를 반복적으로 제안한다. 우리는 프레임워크가 완전 수동 어노테이션과 비교하여 학습 종료 시점까지 외과 수술 영상 어노테이션 노력을 50% 줄임을 보여준다. 처음부터 대규모의 완전 어노테이션된 데이터셋이 필요하지 않음으로써, 이 프레임워크는 수술 도구 분할 모델 개발의 확장성(scalability)을 가능하게 한다. 이 반복적 휴먼-인-더-루프 정제는 최소한의 전문가 입력으로 효율적 지식 획득을 지원하며, 더 크고 다양한 데이터셋 및 실제 임상 환경으로 도구 분할을 확장하는 실용적이고 배포 가능한 전략을 제공한다.
프롬프트 학습은 대규모 사전학습된 비전-언어 모델을 다운스트림 작업에 적응시키는 매개변수 효율적인 접근법으로 주목을 받고 있다. 그러나 부분 레이블만 사용 가능할 때, 레이블 모호성과 불충분한 감독 정보로 인해 성능이 종종 제한된다. 이 문제를 해결하기 위해, 우리는 사전학습된 특징 인코더의 일반화 능력을 두 가지 상호 보완적 전략을 통해 활용하는 Holistic Optimal Label Selection(HopS)을 제안한다. 첫째, 최근접 이웃의 후보 집합에서 상위 빈도 레이블을 선택하고 소프트맥스 점수를 사용해 가장 그럴듯한 레이블을 식별하여 특징 공간의 구조적 규칙성을 포착하는 국소 밀도 기반 필터를 설계한다. 둘째, 균등 샘플링 분포를 배치 전체의 후보 레이블 분포로 매핑하는 최적 수송(optimal transport) 기반의 전역 선택 목적 함수를 도입한다. 기대 수송 비용을 최소화함으로써 가장 가능성 높은 레이블 할당을 결정할 수 있다. 이 두 전략은 국소 및 전역 관점 모두에서 강건한 레이블 선택을 제공하기 위해 함께 작동한다. 8개 벤치마크 데이터셋에 대한 광범위한 실험 결과, HopS는 부분 감독 하에서 성능을 일관되게 향상시키며 모든 베이선보다 우수한 결과를 보인다. 이러한 결과는 전체적 레이블 선택의 장점을 부각하며, 약한 감독 설정에서의 프롬프트 학습을 위한 실용적인 해결책을 제공한다.
대규모 언어 모델(LLM)은 자연어로 명세된 작업에 대해 레이블, 평가, 피드백을 점점 더 많이 제공하고 있다. 명세가 여러 해석을 허용하지만 감독 채널이 어떤 해석이 실제로 작동하는지 드러내지 않을 때, 추가적인 레이블은 이로 인해 발생하는 식별 문제를 해결하지 못한 채 표본 오차만 줄인다. 우리는 고정된 모델의 임계값 기반 디코딩 법칙을 사용하여 허용 가능한 레이블과 후보 타겟을 정의하는 프레임워크인 Natural Language PAC(NL-PAC)를 제안한다. 여러 레이블이 허용 가능할 확률은 점별 허용 가능한(pointwise-admissible) 타겟 클래스의 지름과 같으며, 타겟-불가시(target-blind) 감독 하에서 모든 학습자는 모든 표본 크기에서 이 지름의 절반 이상의 최악의 경우 리스크를 부담한다; 이 클래스에 대한 정확한 무작위화 미니맥스 리스크는 데이터 독립적 전략에 의해 달성된다. 유한 표본 신뢰 구간은 이러한 양들을 보류된 비레이블 입력으로부터 인증 가능하게 만든다. 고정된 Qwen 2.5-3B 감사에서, 사전 지정된 프롬프트 하나는 양의 모델 상대적 인증서를 산출하는 반면, 패러프레이즈와 정확한 규칙 대조군은 영을 산출한다. 보류된 브리지 감사에서는 제공된 후보 해석 절들이 인증서를 일관된 해석으로 이전하는 데 필요한 허용 가능성 조건을 충족하지 못하는 것으로 나타난다. 이 보장은 감사된 모델, 프롬프트, 임계값, 및 입력 분포에 특정되며, 이를 인간의 해석으로 확장하려면 외부 검증이 필요하다.
의료 영상 분할에서 픽셀 수준 어노테이션의 비용 문제를 해결하기 위해, 방향성 경계 상자(OBB) 기반의 중간 지도 패러다임인 OBBSeg를 제안하며, 직사각형 편향을 제거하는 Mask-to-OBB 손실과 전경-배경 대비를 강화하는 PAFE·DBFE 모듈을 도입한다. 5가지 영상 모달리티의 13개 데이터셋 실험에서 기존 약한 지도학습 방법을 능가하고 완전 지도학습에 준하는 성능을 달성했다.
경량 디렉터리 액세스 프로토콜(LDAP, Lightweight Directory Access Protocol)은 사용자가 Active Directory(AD) 데이터를 조회하고 수정할 수 있게 해주는 프로토콜이다. 기본적으로 모든 사용자는 LDAP를 통해 전체 AD 데이터에 대한 읽기 권한을 가지므로, 위협 행위자가 최초로 자격 증명을 탈취했을 때 정찰 초기 단계에서 흔히 사용되는 도구가 된다. 정찰 단계 초기에 위협 행위자를 포착하기 위해, 우리는 LDAP 정찰을 탐지하는 두 가지 머신러닝 프레임워크를 개발하였다: 악의적인 LDAP 쿼리를 예측하는 머신러닝 분류기와 악의적인 쿼리 시그니처를 추출하는 머신러닝 기반 데이터 마이닝 방법이다. LDAP 쿼리를 엔드포인트 탐지와 상관 분석하여, 첫 번째 프레임워크는 약한 지도학습(weak supervision)을 활용해 대규모 데이터셋에 레이블을 부여하고 LDAP 쿼리를 악의적 또는 정상으로 분류한다. 즉각적인 배포를 위해, 이 접근법 위에 두 번째 기법을 개발하여 엄격한 통계적 가설 검정 프레임워크를 통해 새로운 악의적 LDAP 시그니처를 마이닝하도록 하였다. 이 약한 지도학습 방식은 수동 인간 레이블링에 비해 한계가 있지만, 대규모 자동화 코퍼스 구축을 활용하여 비용과 시간을 절감하므로 이 사용 사례에서는 더 실용적이다. 최종적으로, LDAP 분류기와 머신러닝 기반 LDAP 시그니처 마이닝 방법 모두 성능 벤치마크를 달성하였으며, 분류기는 홀드아웃 세트에서 거짓 양성을 제한하면서 최대 65%의 진양성률(TPR)을 달성하였고, 마이닝된 시그니처는 CrowdStrike의 관리형 탐지 및 대응(Managed Detection and Response) 팀을 통해 81.48%의 필드 정밀도를 달성함을 입증하였다.
우리는 광고 도메인에서 개인정보 보호 제약 하에 전환 예측 모델을 학습하는 문제를 다룬다. 여기서는 광고 클릭과 전환 간의 직접적인 연결이 이용 불가능하다. 개인정보 보호를 지원하는 브라우저 API와 서드파티 쿠키의 단계적 폐지를 계기로, 학습자가 클릭의 시퀀스와 전환의 시퀀스를 관측하지만, 전환을 고유한 출처가 아니라 후보 클릭들의 집합(귀속 집합, attribution set)에만 연결할 수 있는 설정을 연구한다. 이를 후보들에 대한 사전 분포를 갖춘 무지적(oblivious) 적대자가 생성하는 귀속 집합으로부터의 학습으로 형식화한다. 명시적 레이블이 없음에도 불구하고, 새로운 접근법을 통해 이러한 거친 신호로부터 모집단 손실의 불편 추정량을 구성한다. 이 추정량을 활용하여, 경험적 위험 최소화(Empirical Risk Minimization)가 사전 분포의 정보량에 비례하는 일반화 보장을 달성하며, 귀속 집합 간의 복잡한 의존성에도 불구하고 사전 분포의 추정 오류에 대해 견고함을 보인다. 표준 데이터셋에 대한 간단한 실증 평가는 우리의 불편 접근법이 일반적인 업계 휴리스틱을 상당히 능가하며, 특히 귀속 집합이 크거나 겹치는 영역에서 그렇다는 것을 시사한다.
Evaluation in machine learning is typically treated as a neutral measurement process. However, in operational information systems, evaluation outcomes are often conditioned by the processes used to generate labels. This paper does not seek to improve classification performance. Instead, it examines the validity of performance measurement under differing label-authority regimes. This issue is particularly relevant in large-scale metadata-driven systems, where labels are often incomplete, inconsistent, or weakly supervised. We introduce evaluation sovereignty, defined as the degree to which performance metrics are independent of label authority and supervision regime, and propose a multi-track evaluation framework that systematically varies training and evaluation label sources. Using hierarchical multi-label classification on large-scale scientific metadata, we demonstrate that models exhibiting strong performance under operational ("silver") evaluation degrade substantially under independent ("gold") evaluation, particularly for fine-grained classification. For example, Micro-F1 decreases from approximately 0.54 to 0.03. Notably, ranking-based metrics remain above baseline, revealing a divergence between latent model signal and classification validity. These findings suggest that commonly reported performance metrics may reflect alignment with labeling processes rather than true predictive capability. We therefore reconceptualize evaluation validity as a system-level property shaped by label governance and provide a practical methodology for auditing intelligent systems operating under weak supervision.
오픈-어휘 장면 스케치 의미론적 분할은 학습 중 픽셀 수준 어노테이션에 의존하지 않고, 추론 시 지정된 유연한 카테고리 어휘를 기반으로 희소한 선 그림에 밀집 의미론적 레이블을 할당하는 것을 목표로 한다. 자연 이미지와 달리, 스케치는 질감과 색상 단서가 없어 의미론적 이해가 획 배치와 공간적 구성에 크게 의존하며, 이는 단일 층 비전-언어 특징이 본질적으로 불안정해지는 문제를 야기한다. 핵심 관찰은 서로 다른 비전 트랜스포머(Vision Transformer) 층의 어텐션 맵이 상호 보완적인 공간적 단서를 인코딩한다는 것이다: 얕은 층은 전역 구조적 레이아웃을 포착하고, 깊은 층은 국소 획 교차점과 객체 부분에 집중한다. 이는 층간 집계가 임의의 단일 층만으로는 얻을 수 없는 더 강건한 구조적 사전 지식을 제공함을 시사한다. 이러한 통찰을 바탕으로, 우리는 층별 누적 구조적 어텐션(LASA, Layer-wise Accumulated Structural Attention)을 기반으로 한 구조 인식 프레임워크를 제안한다. 이 프레임워크는 다층 어텐션을 집계하여 약한 지도 하에서 계층적 의미론적 정렬을 안내하고, 추론 중 예측을 정제한다. FS-COCO, SFSD, FrISS에 대한 실험에서 LASA는 기존 약한 지도 기준선 대비 mIoU를 각각 $+3.43$, $+8.01$, $+15.74$ 향상시켜 분할 정확도와 공간적 일관성 모두에서 일관된 성능 향상을 보여준다. 소스 코드는 공개될 예정이다.