전체 기사
인피어런스 헤드룸 비율(Inference Headroom Ratio, IHR)은 제약된 의사결정 시스템의 인피어런스 안정성에 대한 진단 및 제어 프레임워크를 제공하는 차원리스 진단 양적(量的)이다. IHR는 시스템의 실제 인피어런스 용량(C)과 운영 환경이 부과하는 결합된 불확실성(U)과 제약 부하(K)의 관계를 공식화하고, 인피어런스 안정성 경계점의 근접성 대신 출력 수준 성능을 캡처하는 것을 목표로 한다. 세 가지 제어된 실험을 통해 IHR는 다음과 같이 작동한다는 것을 보여준다. 1. (1
임상시험 문헌에서 투여 오류 자동 감지: LightGBM을 사용한 다중 모드 특성 엔지니어링 접근법 임상시험에서는 약물 사용 프로토콜에 엄격히 따르지만 투여 오류는 여전히 환자 안전과 시험의完整성을影响하는 지속적인 도전으로 남아있다. 우리는 gradient boosting을 사용하여 comprehensive multi-modal feature engineering을 통한 unstructured clinical trial narratives에서 dosing errors를 자동 감지하는 시스템을
열역학적 논리 평가를 위한 대형 언어 모델의 3층 벤치마크: ThermoQA 열역학 문제 293개를 3개 층으로 나누어 정의합니다: 속성 검색(110 Q), 구성 요소 분석(101 Q), 및 전체 사이클 분석(82 Q). CoolProp 7.2.0을 사용하여 물, R-134a, 및 변이 cp 공기를 다루는 그라운드 트루스는 프로그래밍적으로 계산됩니다. 여섯 대의 정교한 LLM은 각각 세 번의 독립적인 실행을 통해 평가됩니다. 합성 리더보드는 Claude Opus 4.6 (94.1%), GPT-5
AML 추계는 대규모 언어 모델(LLM)을 이용하여 다양한 증거를 요약하고 합리화를 작성할 수 있지만, 규제된 워크플로우에서 무제한적 생성은 허구, 약한 증거, 그리고 내재된 결정에 대한 충실하지 않은 설명을 유발할 수 있다. 본 연구에서는 AML 추계를 증거 제한된 결정 과정으로 다루는 설명 가능한 AML 추계 프레임워크를 제안한다. 본 연구에서는 (i) 정책/유형 지침, 고객 맥락, 경보 트리거, 거래 서브그래프에서 증거를 추출하는 검색-augmented 증거 집합, (ii) 명시적인 인용과 지원하는 것과 반대하거나 누락된 증거를 구분하는 구조화된 LLM 출력 계약, (iii) 최소한의可能性가 있는 변동이 추계 추천과 합리화에 대한 일관된 변화를 유발하는지 검증하는 대체사례 검증을 포함한다. 본 연구에서는 공공의 합성 AML 벤치마크 및 시뮬레이터에서 평가하고 규칙, 표자 및 그래프 기반 머신러닝, LLM-only/RAG-only 변형과 비교한다. 결과는 증거 기반으로 하기 때문에 감사 가능성이 크게 향상되고 숫자 및 정책 허구 오류가 감소한다는 것을 보여주며, 대체사례 검증 또한 결정과 관련된 설명 가능성과 내구성이 더 크게 향상한다. 이 결과는 AML 추계에 대한 규제 요구 사항에 대한 충เทคโนโลย을 제공하는 지배가 가능한, 검증 가능한 LLM 시스템이 실용적인 결정 지원을 제공할 수 있음을 나타낸다.
과학적 설명의 자동 점수는 즉각적인 정확한 피드백을 제공할 수 있지만, NGSS에 기반한 학습 진행에 따라서 고급 사유를 포착하는 분석 범주에서 클래스 불균형이 문제를 일으키고 있습니다. 본 연구에서는 transformer 기반 텍스트 분류 모델을 이용하여 고등학교 학생들의 물리 과학 평가에 대한 설명을 분석하는 데 있어 데이터 증강 전략을 조사했습니다. 본 연구에서는 SciBERT를 기본 모델로 사용하여 fine-tuning을 수행하고, 다음과 같은 증강 전략을 테스트했습니다: (1) GPT-4로 생성된 합성 응답, (2) EASE, 단어 수준 추출 및 필터링 기법, (3) ALP(대규모 언어 모델(LLM)으로 구현된 Augmentation using Lexicalized Probabilistic context-free grammar) 구문 수준 추출.
텍스트 임베딩을 통해 도메인 지식이 없는 알고리즘 선택 우리는 특수한 인스턴스 특징을 대신하여 사전 훈련된 텍스트 임베딩을 통해 알고리즘 선택 방법을 제안한다. ZeroFolio 방법을 사용하면 세 가지 단계로 진행된다: 인스턴스 파일을 평문으로 읽고, 사전 훈련된 임베딩 모델을 사용하여 임베딩을 생성하고, 가중치 k-최근 이웃 선택을 통해 알고리즘을 선택한다. 우리의 접근법의 핵심은 사전 훈련된 임베딩이 도메인 지식이나 작업에 특화된 훈련 없이도 문제 인스턴스를 구별하는 표현을 생성한다는
AI-assisted 출력을 학습 집중 영역에서 판단하는 방법에 대한 현재 지침이 빠르게 적응하는 대규모 언어 모델(LLM)과 같은 생성 AI의 발전에 따라 학습 집중 영역에서 AI-assisted 출력을 판단하는 방법에 대한 새로운 지침이 필요합니다. 이 논문은 AI를 배울 2.0의 새로운 지침을 제안합니다.
대규모 언어 모델(LLM)이 내부 사고 제한을克服하기 위해 외부 도구를 사용하는 것은 효과적이지만, 이는 사고 과정에서 불필요한 도구 사용을 유발하는 새로운 현상인 도구 과다 사용을 발생시킨다. 이 현상은 다양한 LLM에서 퍼지면서, 내부 지식의 경계를 정확하게 파악하지 못하고 실제 지식 사용 가능성을 오해하는 지식적 환상(justification illusion)과, 결과만을 보상을하여 도구 사용을 과도하게 유도하는 보상 구조(reward structure)가 도구 과다 사용의 원인이다.
When authentication fails, things can go very, very wrong.
구글 클라우드가 새로운 TPU를 출시하여 이전 버전보다 빠르고 저렴해졌습니다. 하지만 엔비디아를 클라우드에서 지원하는 것은 현재까지도 계속됩니다.
스페이스엑스, 커서의 대규모 투자 제의를 대신하는 6조원 인수 제의를 내놨다. 커서는 2조원 투자 제의를 중단하고 스페이스엑스와 협력할 수 있는 길을 열어젖혔다.
X는 커뮤니티를 대체하기 위해 AIpowered 커스텀 타임라인을 출시했으며, Grok-curated 피드를 제공한다. 이 새로운 피드는 사용자에게 맞춤형 콘텐츠를 제공하며, 새로운 광고 슬롯도 제공한다.
