본문으로 건너뛰기
AI UsefulInfo ai.usefulinfo

검색

전체 기사

AI 모델 4월 8일

비모노토닉 인과관계를 위한 콜모고로프-아르놀드 퍼지认知 맵

퍼지認知 맵은 복잡한 동적 시스템을 모델링하기 위한 신경-기호학적 패러다임으로, 해석 가능성과 반복적 인 유추 능력으로 널리 채택되었습니다. 그러나 표준 FCM 형식, 스칼라 신경 연결 가중치와 모노토닉 활성화 함수로 특징지어지는 것은 반드시 비모노토닉 인과 의존성을 모델링하는 데에 의한 제한이 있습니다. 따라서 이 연구에서는 콜모고로프-아르놀드 퍼지認知 맵 (KA-FCM)이라는 새로운 아키텍처를 제안하여 인과 전달 메커니즘을 재정의합니다. KA-FCM은 무차원 B-스플라인 함수를 모델의엣지에 배치하여 정적 스칼라 가중치를 학습 가능하게 합니다. 이 수정은 비선형성의 위치를 인과적 영향의 단계로 옮겨, 그래프 밀도나.hidden layer를 추가하지 않고도 임의의 비모노토닉 인과 관계를 모델링할 수 있습니다. 제안된 아키텍처는 표준 FCM (Particle Swarm Optimization으로 훈련)과 대규모 언어 모델 (Multi-Layer Perceptron)과 같은 유니버설 블랙박스 근사자와의 비교를 통해 세 가지 DISTINCT 도메인에서 검증되었습니다: 비모노토닉 유추 (Yerkes-Dodson 법칙), 기호 회귀, 혼란스러운 시계열 예측. 실험 결과 KA-FCM은 기존 아키텍처에 비해显著히 우수하고, MLP와의 경쟁적 정확도와 함께 그래프 기반 해석 가능성과 학습된 엣지에서 수학적 법칙을 명시적으로 추출할 수 있습니다.

에이전트 4월 8일

의료진단 경로 학습을 위한 불확실성 가이드드 라텐트 디아그노스틱 트레잇로이

의료진단은 시간에 따라 불확실성 하에 증거를 순차적으로 수집하는 것을 필요로 합니다. 그러나 대부분의 대규모 언어 모델(LLM) 기반 진단 시스템은 완전히 관찰 가능한 환자 정보를 가정하고, 진단 경로가 시간에 따라 어떻게 순차적으로 수집되어야 하는지에 대한 명시적인 모델을 제공하지 않습니다. 진단을 순차적 의사결정 과정으로 규정한다 하더라도, 진단 경로의 가능한 공간이 상대적으로 크고, 의료 데이터 세트가 바람직한 진단 경로에 대한 명시적인 감독 정보를 제공하는 경우가 드물기 때문에 효과적인 진단 경로를 학습하는 것이 쉽지 않습니다. 이러한 문제를 해결하기 위해, 우리는 라텐트 디아그노스틱 트레잇로이 학습(LDTL) 프레임워크를 제안합니다. 이 프레임워크는 계획 LLM 에이전트와 진단 LLM 에이전트를 기반으로 하며, 진단 LLM 에이전트에서는 진단 동작 시퀀스를 라텐트 경로로 다루고, 진단 정보를 제공하는 경로를 우선화하는 포스터리오 분포를 도입합니다. 이 분포에 따라 평행한 계획 LLM 에이전트를 훈련하여, 일관된 진단 경로를 학습하고 불확실성을 줄이는 것을 목표로 합니다. MIMIC-CDM 벤치마크에서 실험 결과, 제안된 LDTL 프레임워크는 existing baseline 과 비교하여 진단 정확도를 향상시키며, 진단 테스트의 수를 줄입니다. 또한, 제거 연구는 라텐트 경로 수준의 포스터리오 평행성이 이러한 향상을 달성하는 데 중요한 역할을 하는지 강조합니다.

에이전트 4월 8일

자동화된 AI 연구 논문 작성을 위한 다중 에이전트 프레임워크: PaperOrchestra

자동화된 AI 연구 논문 작성을 위한 다중 에이전트 프레임워크: PaperOrchestra 논문 작성을 위한 연구 자료를 구조화된 문헌으로 변환하는 것은 AI를 이용한 과학적 발견의 중요한 과제 중 하나이다. 기존의 자율적인 작가는 특정 실험 파이프라인에 강하게 결합되어 있으며, 표면적인 문헌 검토만 수행한다. PaperOrchestra라는 다중 에이전트 프레임워크를 소개한다. 이 프레임워크는 논문 작성을 위한 자유로운 자료를 대량의 LaTeX 문헌으로 변환할 수 있으며, 문헌 검토 및 시각화(

연구 4월 8일

대수적 구조 발견을 통한 실세계 조합 최적화 문제 해결: 대수학에서 인수 공간 학습까지 일반적인 프레임워크

대수적 구조를 노출하면 검색 공간을 축소하고 전역 최적해를 찾는 기회를 높일 수 있다. 저자는 대수적 구조를 식별하고, 연산을 공식화하고, 불필요한 표현을 삭제하는 인수 공간을 구성하고, 이러한 축소된 공간에서 직접 최적화를 수행하는 일반적인 프레임워크를 제시한다. 이 프레임워크는 다양한 규칙 결합 과제에서 효과적이다.

AI 모델 4월 8일

ReVEL: 다중 회전 반영 LLM 가이드 하이퍼 이진법 진화 via 구조화된 성능 피드백

ReVEL은 다중 회전 반영 LLM 가이드 하이퍼 이진법 진화 via 구조화된 성능 피드백을 통해 NP-hard 조합 최적화 문제에 대한 효과적인 하이퍼를 설계하는 어려움을 해결합니다. 대규모 언어 모델(LLM)을 사용한 기존의 응용 프로그램은 주로 한 번의 코드 합성을 기반으로 하며, 이진법이 약화되어 모델의 반복적인 사고 능력을 최대한 활용하지 못합니다. ReVEL은 대규모 언어 모델(LLM)을 사용하여 반복적인 사고 능력을 최대한 활용할 수 있도록 하이퍼 이진법 진화에 대한 구조화된 성능 피드백을 제공하는 다중 회전 반영 LLM 가이드 하이퍼 이진법 진화 framework를 제안합니다.

연구 4월 8일

정보 객체 특성의 근접 측정: 정보 시스템에서 물리적 객체와의 관련성을 확인하는 문제 해결

정보 객체의 특성에 대한 새로운 양적-질적 근접 측정 방법을 제안하였으며, 다양한 출처에서 독립적으로 데이터가 공통 정보 자원에 입력되는 경우를 고려하였다. 이 방법은 개별 특성 값의 결정 오류로 인한 양적 및 질적 특성 값의 차이를 고려한다. 양적 특성 값의 근접성을 분석하기 위해 확률론적 측정 방법을, 질적 특성에 대한 경우에는 가능성 측정 방법을 사용하였다.

에이전트 4월 8일

순차적 메타인지 판단에서 작동적 비가환성

순차적 메타인지 판단에서 작동적 비가환성 메타인지란 내 자신의认知 과정을 모니터링하고 조절하는 것을 의미한다. 이는 내부 상태를 평가하고 업데이트한 후, 수정된 기준으로 다시 평가하는 순차적인 과정을 포함한다. 인식에서 순차적 효과는 잘 문서화되어 있지만, 이러한 효과가 고전적인 상태 변화나 더 깊은 구조적 비가환성을 나타내는지 여부는 불분명하다. 우리는 이러한 구별을 명확히 하기 위해 작동적 프레임워크를 개발한다. 우리의 형식화에서 메타인지 평가는 내부 상태 공간에 대한 확률적 읽아웃을 통해

AI 모델 4월 8일

네바야-녀야 사상에 기반한 지식적 사유를 위한 대형 언어 모델의 미세 조정: 프라마나

네바야-녀야 사상에 기반한 지식적 사유를 위한 대형 언어 모델의 미세 조정: 프라마나 대규모 언어 모델(LLM)은 유창한 텍스트를 생성하지만 체계적인 사유에 어려움을 겪으며, 종종 자신감 있지만 근거 없는 주장을 내세운다. 애플 연구원들은 수학 문제에 불필요한 문맥을 추가했을 때 LLM의 성능이 65% 감소했다. 부식된 패턴 매칭이 명백한 사유 아래에 있는 것으로 드러났다. 이러한 지식적 격차, 증거에 대한 추적 가능한 근거를 바탕으로 주장을 지지할 수 없는 제한이 AI의 신뢰성을 제한한다. 우