AI 에이전트와 개인성 엔지니어링 : 협상 연구를위한 새로운 방법론 arXiv:2605.20554v1 발표 유형 : 새로운 추론 : 캐논적 협상 이론에 따르면 사람들의 성공은 경쟁 요구 사항을 얼마나 잘 균형 잡는지에 달려 있습니다. AI 에이전트는 동일한 제한에 직면하지 않으며, 다른 사람에 대한 우려와 자신에 대한 우려를 보여주고, 사람들에게 부드럽고 문제에 어려움을 겪고 있습니다. 그러나 사람들은 이러한 긴장감을 관리하기 위해 어려움을 겪고 있으므로 연구자들은 통제 된 조건에서 필드 처방을
$ECUAS_n$: 불확실성 증대 시스템의 원칙 평가를위한 계수의 가족 arXiv:2605.20490v2 발표 유형: 새로운 추론: 높은 점수의 자동화 된 의사 결정에서 예측 불확실성에 대한 액세스는 사용자가 - 인간 또는 다운스트림 시스템 - 응용 프로그램 특정 비용 거래에 기초한 예측을 수락하거나 거부 할 수 있도록하는 데 필수적입니다. 불확실성 증대 (UA) 시스템 - 즉 예측과 불확실성 점수를 모두 출력하는 시스템 - 현재 문서에서 다양한 방법으로 평가되고 있으며, 분리 된 계수를 사용하여
고품질 인테리어링을 위한 고품질 인테리어링 arXiv:2605.20467v1 광고 유형 : 새로운 추론 : 신경 네트워크는 논리적 인테리어링에 의해 만들어진 선택을 순위로 훈련 할 수 있습니다.이 과정의 핵심 단계는 유용한 인테리어링, 즉 논리적 인테리어링의 숫자 표현을 만드는 것입니다. 이 논문은 더 나은 결과를 가져올 수있는 인테리어링을 만드는 여러 가지 접근 방식을 소개하고 평가합니다. 우리는 앵커, 긍정적 인 예제, 그리고 부정적인 예제로 구성된 예제를 필요로하는 삼중 손실을 사용하여 인테
Spotify는 Google의 노트북LM을 새로운 앱으로 채택합니다 Spotify는 20 개 이상의 시장에서 새로운 데스크톱 앱을 연구 미리보기로 출시합니다.
DeepMind CEO 데미스 하사비스(Demis Hassabis)가 최근 Google I/O에서 발표한 키노트에서 '지성공'의 초석을 다진 것이라고 말했습니다. 그는 인공지능(AI)의 잠재력을 세계적으로 이익을 볼 수 있도록 도울 Google의 혁신적인 연구와 제품이 이뤄질 것이라고 주장했습니다.
교통 예측은 지능형 교통 시스템의 중요한 부분입니다. 교통 예측의 주요 도전 중 하나는 시공간 상의 상관관계를 찾는 것입니다. 최근 그래프卷积 네트워크와 그래프 주의도 네트워크가 전통적인 통계 모델을 대체하여 미래 교통을 예측하는 데 사용되었습니다. 그러나 두 가지 모두 모든 꼭짓점이 매우 다른 특성을 가질 수 있는 것을 허용하는 것이 복잡합니다. 이러한 문제를 해결하기 위해, 우리는 쌍별 인코딩과 이벤트 기반 인접 행렬을 사용하여 세계-지역 그래프 주의도 네트워크(GLGAT)를 제안합니다. GLGAT는 꼭짓점이 전체 그래프에 대한 글로벌 주의도 행렬 집합을 가질 수 있도록 허용하고 각 꼭짓점에 대한 지역 주의도 행렬 집합을 할당합니다. 두 개의 실제 교통 데이터 세트에 대한 실험 결과, GLGAT는 시공간 상의 상관관계를 효과적으로 캡처하고 다른 최신 표준 기반이나와 경쟁적인 성능을 나타냅니다.
과학 논문에 대규모 언어 모델(LLM)을 사용하는 과학자들은 1년 동안 출판이 금지될 수 있습니다. 과학 논문에 AI가 과학자 대신 모든 작업을 수행하는 것에 대한 규제가 강화되고 있습니다.
AI 연구 논문이 점점 더 개선되고 있지만, 이는 과학자들에게 큰 문제를 일으키고 있습니다. 논문 요약과 관련된 문제가 발생하고 있습니다.
대규모 언어 모델(LLM)로 최근 활발하게 연구되고 있는 자기 학습 표현 학습 기법인 마스크드 오토인코더(MAE)가 뇌 기능 연결성(FC) 표현 학습에 hứ부한 결과를 보여주고 있습니다. 그러나 FC 매트릭سات의 토큰화 방식에 대한 기초적인 문제가 여전히 해결되지 않았습니다. 기존의 접근 방식은 지역 중심적 또는 그래프 기반의 스킴을 사용하여 FC를 구조적으로 동일한 요소로 다루고, 대규모 네트워크 뇌 조직을 무시합니다. 이 연구에서는 NERVE(네트워크 인지식 이중 토큰화: 뇌 기능 연결성 이중 토큰화)를 제안하여 FC 토큰화 방식을 재정의합니다. NERVE는 FC 매트릭스들을 intra- 및 inter-네트워크 연결성 블록으로 나누어 tokenize합니다. 이 연구에서는 NERVE를 대규모 개발적 코호트(ABCD, PNC, CCNP)에서 행동 및 심리병 예측 평가를 통해 검증하였습니다. NERVE는 구조적으로 무감각한 MAE 변형 및 그래프 기반 자기 학습 기초점에 비해 더 안정적이고 전이 가능한 표현을 제공하였습니다.
식단 최적화 문제는 운영 연구의 가장 오래된 최적화 문제 중 하나입니다. 그러나 기존의 형식에는 두 가지 지속적인 한계가 있습니다. 연속 변수는 실제적인 분수 섭취를 생성하고 (1.7개의 계란, 0.37개의 바나나), 그리고 강도 영양 섭취가 목표가 충돌할 때 불가능합니다. 56개의 식단 최적화 논문에 대한 체계적인 검토는 integer programming과 goal programming을 모두 결합하는 논문이 없다는 것을 발견했습니다. 우리는 개인화된 식사 최적화를 위한 혼합 정수 목표 프로그래밍(MIGP)을 제안합니다. 이 형식은 실제적인 섭취 수를 위한 정수 변수를 사용하고, 목표 영양 섭취를 위한 goal programming의 변동을 사용합니다. 또한, multi-nutrient 최적화를 균형시키기 위해 역-목표 정규화(INN)를 사용합니다. 식품당 섭취의 자연 단위(한 개의 계란, 한 자루의 기름)를 허용하기 위해 per-food 섭취의 세분성은 자연 단위로 유지됩니다.
인공지능(AI)이 스스로 개발하기 시작할 때 벌어지는 일에 대해 연구하는 새로운 스타트업이 있습니다. 이 스타트업은 Richard Socher가 창립하고 있으며 650억 달러의 자금을 확보했습니다. 이 회사는 AI를 개발하여 무한정 연구하고 개선할 수 있는 AI를 만들고자 합니다. Richard Socher는 이 프로젝트가 실제로 제품을 출시할 수 있다고 주장합니다.
deepfake 포르노에 자신의 몸이 사용된 여성의 충격, AI가 개인 번호를 공유하는 사례가 최근에 발생했습니다. 이 뉴스는 기술 세계의 최근 동향을 알려드립니다.
대규모 언어 모델(LLM)과 같은 생성 AI가 연구실에서 실제 비즈니스 애플리케이션으로 이동했을 때 기업들은一种 묵시적인 거래를 맺었다. '능력은 지금, 통제는 나중에.' 자체 데이터를 제3자 AI 모델에 피드하여 강력한 결과를 얻을 수 있지만, 데이터는 기업이 소유하지 않는 시스템을 통해 통과하고, 기업이 설정하지 않은 규범하에 통과한다. 기업은...
Jennifer라는 이름의 여성은 2023년에 비영리 단체에서 연구를 하게되어 자신의 프로페셔널 헤드샷을 얼굴 인식 프로그램에 넣어보았다. 그 결과, 10년 이상 전에 만든 포르노 비디오가 검색되었고, 깊은 가짜 영상에 사용된 자신의 몸이 발견되었다.
장애 관련 해프닝을 언어 모델에 있는 평가 프레임워크: DisaBench 장애 관련 해프닝을 평가하는 일반적인 방법은 대규모 언어 모델(LLM)의 안전성을 충분히 평가하지 못한다. 우리는 DisaBench라는 새로운 평가 프레임워크를 소개한다. 이 프레임워크는 장애인과 레드팀(expert)과 함께 12가지 장애 관련 해프닝 카테고리를 만들었고, 일상생활 7가지 영역에서 나쁜(prompt)과 악의적인(prompt) 쌍을 짝지어 evaluation 방법론을 만들었다. 또한 525개의 prompt-r
작업 기반 지식 업데이트 문제, 즉 작업 효과를 반영하는 지식 기반을 업데이트하는 과제는 일반적으로 두 번째 계층 논리를 필요로 합니다. 첫 번째 계층 특수 사례를 식별하기 위해 지식 기반 또는 작업 효과를 제한하는 것은 행동에 대한 논리적شر의 중심 주제 중 하나입니다. 그러나 이러한 작업 클래스, 즉 지역 효과, 정상, 및 사이클이 없는 작업이 첫 번째 계층 논리를 허용하는 것으로 알려져 있지만, 이러한 업데이트의 크기를 분석하는 시스템적인 연구는 실용적용을위한 필수적이지만 누락된 주제입니다. 이 논문에서는 상황 계산기 프레임워크를 사용하여 이러한 작업 클래스에 대한 첫 번째 계층 업데이트가 합리적인 가정하에 일반적으로 다항식으로 증가한다는 것을 보여줍니다. 또한 지식 기반이 결정 가능한 부분집합인 두 변수 첫 번째 계층 논리 또는 상수와 함께 일반화된 이론과 같은 경우, 업데이트도 동일한 부분집합에 속한다는 것을 보여줍니다. 이는 결정 가능성과 실용적용을 보장합니다.
Vision-Language Models(VLMs)가 안전 카테고리 애플리케이션에서 널리 사용되고 있지만, 특정 실세계 상황에서 극단적인 실패를 보이기도 한다. 이 실패 모드는 REVELIO라는 프레임워크를 통해 체계적으로 발견할 수 있다. REVELIO는 VLM의 중대한 실패 모드를 발견하기 위해 두 가지 검색 절차를 결합하여 사용한다.
메인주의 재개발을 통해 매일 1.4만 제곱피트 규모의 공장을 개장하는 추세에 있다. 이 공장은 2020년 방 vypaddigester 폭발로 영구 폐쇄되었다. 2023년, JGT2 재개발 및 다른 한 회사에 의해 매각되었다.
인터랙티브 환경에서 적용되는 Vision-Language(-Action) Models(VLMs)가 점-and-클릭 퍼즐 게임에서 인간과 같은 논리적 문제 해결 능력을 보이는지 평가하는 새로운 벤치마크가 개발되었습니다.
노벨 경제학상을 수상한 경제학자 다론 아세무글루는 최근 발표한 논문에서 AI에 대한 새로운 관점을 제시했다. 그는 AI가 과거의 문제를 해결하지 못하고 새로운 문제를 창출하는 경향이 있다고 지적했다. 아세무글루는 대규모 언어 모델(LLM)과 같은 AI 기술을 통해 모든 것을 고쳐야 한다고 주장했다.
권리와 법의 동조 법학(Jurisprudence, 법학의 기초)에 대한 연구와 인공지능 모델이 인간 가치에 맞게 동조하는 것에 대한 과학(Alignment, 동조의 과학)은 결국 같은 구조를 공유한다. 이처럼 멀리 떨어진 두 분야 모두 강력한 행위자들의(법관과 인공지능)의 미래에 대한 결정이 어떻게 이루어질지 예측하고 형성하고자 한다. 그리고 그 목표를 달성하기 위해 언어의 명세와 해석의 도구를 사용한다. 법학의 대형 토론(what the law is와 what it should be에 대한 토
도구 확장 언어 모델은 작은 언어 모델에 외부 실행 가능한 스킬을 추가할 수 있지만 도구 라이브러리를 확장하는 것은 새로운 재사용 가능한 서브루틴이 발생할 때 계획자와 함께 진화해야 하며, 검색은 고정된 컨텍스트 예산 내에서 유지해야 한다. 기존의 도구 사용 및 스킬 라이브러리 방법은 도구를 평평한 메모리나 텍스트 인덱스 메모리로 처리하기 때문에 라이브러리 크기에 따라 지시 첨부 비용이 증가하고, 실행 가능한 코드의 타입화된 컴포지셔널 구조가 묻힌다. 우리는 CoCoDA를 제안한다. CoCoDA는 컴포지셔널 코드 DAG를 통해 계획자와 도구 라이브러리를 공동 진화하는 프레임워크이다. 노드는 원소 또는 복합 도구로, 엣지는 호출 의존성을 인코딩하고, 각 노드는 타입화된 서명, 설명, 전/후 조건 사양, 예시를 저장한다. 추론 시간에, 타입화된 DAG 검색은 후보를 심볼릭 서명 일치로 필터링하고, 생존자들을 설명에 따라 순위 매기고, 행동 사양에 의해 필터링하고, 예시를 통해 불명확성을 해소한다. 이 때, 비용이 많이 드는 컨텍스트 재현을 점진적으로 작아지는 후보 집합에 유지한다. 훈련 시간에, 성공적인 경로를 유효화된 복합 도구로折입하고, 계획자는 DAG 유도된 보상을 사용하여 복합 도구의 원소 확장 크기에 따라 크레딧을 받는다. 우리는 검색 비용 감소, 선형 검색 시간, 형성된 보상 하에서 컴포지셔널 이점, 보수적인 업데이트하에 모노톤 공동 진화, DAG의 잘못된 형태를 보여준다. 수학적 논리, 표 형태 분석, 코드 작업 벤치마크에서, CoCoDA는 8B 학생이 GSM8K와 MATH에서 32B 교사와 일치하거나 초과하는 것을 허용하고, 강력한 도구 사용 및 라이브러리 학습 베이스 라인에 비해 지속적으로 개선한다.
현재 AI 기술은 참여자가 고정된 후보에 대한 투표 대신 자유 형식의 텍스트로 의견을 표명하는 집단 의사 결정을 열어주고 있다. 이러한 의견을 벡터 공간에 임베딩하는 자연스러운 아이디어는, 시설 위치 문제와 공정 클러스터링과 관련된 대규모 언어 모델(LLM) 기존 문맥에 이론을 적용할 수 있게 해준다. 그러나 표준 텍스트 임베딩은 의미 유사성을 측정하며, 시설 위치 문제와 공정 클러스터링에서는 '선호도 유사성'이 필요하다. 이는 참여자가 텍스트와 얼마나 згод인지가 거리와 반비례해야 한다는 것을
대규모 언어 모델(LLM)의 선호도에 맞추기 위해 Reward Learning with Human Feedback(RLHF) 방법론이 사용되는데, 이러한 방법론은 인간의 선호도 구조를 스칼라 또는 쌍별 레이블로 축소시키는 문제를 가지고 있습니다. 이러한 문제를 해결하기 위해 Rubrics-as-Reward(RaR) 방법론이 제안되었지만, 이는 데이터 효율성과 확장성을 충족시키는 방법론이 아직 존재하지 않습니다. 이에 대한 해결책으로 Auto-Rubric as Reward(ARR) 프레임워크를 제안하였으며, 이는 Reward 모델링을 명시적 기준 기반 분해로 재정의합니다.
