전체 기사
실세계 배포에서는 시간 시리즈 데이터가 극도로 불규칙합니다. 관측치는 비동기적이며, 누락된 값은 무작위가 아닌 정보가 풍부한 값이며, 센서 및 작동 창구별로 샘플링 빈도는 다릅니다. 그러나 기존의 시간 시리즈 질의 응답(TSQA) 벤치마크는 대개 정칙적으로 샘플링된 입력을 가정합니다. 이는 대규모 언어 모델(LLMs)과 인공지능 agent가 불규칙한 조건 하에서 성능을 어떻게 발휘하는지에 대
Riemann 가설은 수학의 중추적 미해결 문제 중 하나입니다. 이 기사에서는 AI-assisted 증명 시스템을 사용하여 Riemann 가설에 대한 부분 증명을 생성하고, 명시적으로 남아있는 수학적 장벽을 식별하는 것을 목표로 합니다. 본 연구에서는 Verifiable Growing Physical Transformer with Recursive Self-Improvement(VGPT-RSI)를 사용하여 Riemann 가설 근접 증명서를 생성하고, 유한 라가리아 불등식에 대한 증명서를 생성하는 두 가지 RH-접근 증명 작업을 수행합니다.
인공지능(AI)을 대용품으로 사용하는 대신에 원리 기반 지성(cognitive capital)을 보완하는 대신에 사용하는 경우, 지성 부채(cognitive debt)가 쌓이게 됩니다. 이 지성 부채는 시스템의 약점을 증가시키는 데 기여합니다.
우리는 cloud-based 지리 공간 카탈로그에서 자연어 쿼리 사용하여遠距離 센싱 데이터를 검색하는 LLM 구동 프레임워크를 제시합니다. 시스템은 사용자의 의도를 구조화된 API 호출로 변환하여卫星 사진과 환경 데이터에 효율적인 접근을 허용합니다. 아키텍처는 세 가지 agent를 통합합니다: 안전성과 정책 집행을 위한 Guardrail, 의도 해석을 위한 General-QA, schema-
accurate 시간까지 발생하는 예측(TTE)은 멀티모달 클리닉 데이터에서 어려움을 겪고 있습니다. 이는 모달 불균형과 분포 shift로 인해 발생합니다. 우리는 CT 영상과 연속적인 EHR 데이터 사이의 모달 대응을 위한 foundation model-기반 프레임워크를 제안합니다. 이 프레임워크는 여러 작업과 기관에서 일반화가 가능합니다. CT와 EHR 모달리티는 각각 domain-spe
컴퓨터 사용을 위한 agent의 평가가 점점 더 현실적인 데스크톱과 웹 작업을 완수하는지 여부로 이루어지고 있습니다. 그러나 작업의 성공만으로는 agent가 안전하지 않은 단축 경로를 통해 목표를 달성하는 실패를 놓치게 됩니다. 우리는 OSGuard라는 안전성을 평가하는 데 사용되는 컴퓨터 사용 agent의 이중 granular benchmark suite를 소개합니다. OSGuard는 사용
LLM 판독기(LLM judges)는 오픈 엔드 텍스트 생성(open-ended text generation)을 평가하는 데 드는 비용이 많이 드는 인간 노동의 필요성을 줄이기 위해 사용됩니다. 그러나 이러한 판독기의 신뢰도는 인간 평가자와의 일치(property)가 결정하는데, 그 자체도 비용이 많이 드는 인간 주석(annotation)에 의존합니다. 이 연구에서는 제한된 주석(annota
인공 지능은 생물학적 기억과 유사한 identifiable 기억 추적을 보유하는지 여부가 여전히 열린 문제입니다. 본 연구에서는 기하학적 프레임워크를 통해 AI engram을 식별하고, 생물학적 기억의 특성인 명확성, 재활성화, 충분성, 필요성 등을 포함한 제한된 역역 문제를 formalize했습니다. 본 연구는 대규모 언어 모델(LLM) 등 다양한 실험을 통해 AI engram의 유의미성과 대규모 확장성을 입증했습니다.
시계열 예측 모델은 역사적인 패턴에서 많은 이점을 얻습니다. Retrieve-Augmented Generation(RAG)에서 영감을 받아 최근 연구에서는 시계열 예측을 향상시키기 위해 관련된 역사적인 시계열 구간을 검색하는 것을 탐구했습니다. 그러나 비stationarity 하에서만 시계열 유사성을 단지 의존하는 것은 종종 충분하지 않습니다. 이를 해결하기 위해 우리는 멀티모달 접근을 제안
프론티어(_frontier) 논리 reasoning-tuned 언어 모델은 깊은 deductive 작업에서 실패하고, 내부 reasoning을 확장하여 성능을 개선하는 비용은 좋지 않다. Symbolic delegation은 논리 프로그래밍의 자동 formalization pipe line을 통해 문제를 번역하고, 해결기를 통해 추론을 수행하는 보완적인 경로를 제공한다. 그러나 현재 논리 프
AI-agent 간의 신뢰를 측정하는 새로운 방법을 제안했습니다. 이 방법은 팀워크를 위한 언어 모델 agent 간의 신뢰 형성, 파괴, 회복을 연구했습니다. 결과적으로 신뢰 형성은 팀워크의 성능을 향상시키지만, 파괴는 팀워크의 성능을 저하시킵니다.
관계 구조적 인과 모델은 환경을 인식하는 AI의 새로운 모델로, 인과 관계를 파악하고 예상할 수 있도록 한다. 이 모델은 대규모 언어 모델(LLM)과 같은 기존 모델과 달리, 객체와 그들의 관계가 변하는 환경에서 작동한다.
