전체 AI 소식

ProtoEEG: EEG 시각적 해독을 위한 구조화된 프로토타입 정렬

arXiv:2610.33065v1 발표 유형: 신규 초록: 두피 기록은 잡음이 많고 공간적 해상도가 낮으며 실험 조건과 피실험자 간에 변동성이 크기 때문에 EEG를 통한 시각적 해독은 여전히 어려운 과제로 남아 있습니다. 대부분의 시스템은 각 실험을 고밀도 이미지 임베딩과 정렬하지만, 이러한 임베딩은 의미적 내용과 개별 사례에 특화된 질감, 자세, 배경 등을 혼합하고 있습니다. 이는 EEG에서 제공되지 않는 세부 정보를 요구할 뿐만 아니라, 예측을 뒷받침하는 시각적 요인들에 대한 명시적인 설명도 제공하지 않습니다. 우리는 \textbf{ProtoEEG}라는 프로토타입 기반 프레임워크를 제안합니다. 이 프레임워크는 EEG와 이미지 간의 정렬 문제를 공유 가능한 학습 가능한 시각 코드북 위에서 이루어지는 소프트한 합성으로 재구성합니다. 학습 가능한 EEG 인코더와 고정된 시각 교사가 동일한 $K=64$개의 프로토타입에 대한 할당 분포를 생성하며, 이들의 가중치를 적용한 재구성 결과는 구조화된 표현을 형성합니다

지혜롭게 속삭이기: ASR 미세조정을 위한 스마트 서브셋 선택

arXiv:2610.32997v1 발표 유형: 신규 초록: OpenAI의 Whisper와 같은 자동 음성 인식(ASR) 모델은 음성 인식 품질을 크게 향상시켰지만, 특히 대량의 문자로 변환된 오디오 데이터가 제공되는 경우 미세조정 비용이 여전히 높습니다. 이로 인해 많은 실무자들이 이러한 모델을 새로운 언어나 도메인에 맞게 적용하는 데 어려움을 겪고 있습니다. 본 연구에서는 ASR 미세조정을 위한 더 작은 교육 세트를 선택하기 위해 임베딩 기반 서브셋 선택 방식을 제안합니다. Whisper의 사전훈련된 인코더를 사용하여 각 오디오 샘플을 고정 차원의 임베딩 공간으로 매핑하고, 탐욕적 k-센터 알고리즘을 적용하여 교육 데이터에서 다양하고 대표적인 서브셋을 선별합니다. 우리는 이 방법을 히브리어와 덴마크어 두 언어에 대해 평가한 결과, k-센터 선택이 종종 …

OpenESM: 에너지 기반 모델은 확장 가능하며, 파운데이션 학습자들입니다

arXiv:2610.33005v1 발표 유형: 신규 초록: 에너지 기반 모델은 도메인 특화 작업에서 유망한 성능을 보여왔지만, 범용 시나리오를 모델링하는 데는 여전히 어려움이 있습니다. 이러한 격차를 해소하기 위해 우리는 기초 언어 모델링을 위한 에너지 주도형 모델(ESM)을 설계합니다. ESM은 단일 아키텍처 내에서 에너지 주도와 토큰 생성을 통합하여, 에너지 기반 탐색을 활용해 토큰 생성을 정교화합니다. 구체적으로, ESM은 먼저 에너지 지형 위에서 잠재 상태를 최적화한 다음, 이 정교화된 잠재 상태를 토큰 생성에 활용합니다. 대규모 말뭉치를 대상으로 이러한 에너지 기반 사전훈련을 수행함으로써, ESM은 유리한 토큰이 낮은 에너지 값을 갖는 일반적으로 효과적인 에너지 지형을 학습합니다. ESM의 스케일링 특성을 탐구하기 위해, 우리는 ESM을 사전훈련합니다

EKT-라우터: 신체화된 비전-언어 모델을 위한 전문가-증거 정합

arXiv:2610.33044v1 발표 유형: 신규 초록: 체화된 시각-언어 모델은 부분적이고 변화하는 관찰로부터 질문에 답해야 한다. 이들의 성공은 선택된 추론 능력과 해당 모델이 이용할 수 있는 증거 양 측면에 모두 의존한다. 전문 라우터는 내부 계산을 조정하는 반면, 도구를 보강한 시스템은 외부 증거를 확보한다; 두 가지 접근을 독립적으로 선택하면 적합한 전문가가 필요한 증거를 갖추지 못하는 상황이 발생할 수 있다. 우리는 EKT-Router를 제안하며, 이는 능력 전문가, 선택적 지식, 그리고 지각 도구를 공동으로 선택하는 제한된 프레임워크이다. 결과 기반 서명은 일반 전문가, 공간 추론 전문가, 그리고 시공간 추론 전문가의 중복된 강점을 나타낸다. 합동 효용 함수는 호출 예산 하에서 완전한 전문가-증거 경로를 평가한다. 수집 후, 패킷 검증기는 유효한 것을 인정한다.

ReMedI: 제어 가능한 분자 최적화를 위한 추론 시 정제 및 자기 디스틸레이션

arXiv:2610.32103v1 발표 유형: 신규 초록: 약물 개발에서 리드 최적화는 투과성을 높이고 독성을 낮추는 등 상충되는 특성을 개선하는 동시에, 리드의 효능을 저해할 수 있는 골격 변화를 제한해야 한다. C-MORAL과 같은 RL 기반 사후 학습은 분자 언어 모델을 미세 조정하여 관심 있는 목표에 대해 분자 리드를 직접 최적화함으로써 이러한 문제를 해결하지만, 이는 비용이 많이 드는 특정 작업용 데이터셋에 의존하며 다목적 최적화(MOO) 달성에도 어려움을 겪는다. 우리는 사전 학습된 모델이 이미 제로샷 생성으로는 효율적으로 도달하기 어려운 유용한 분자 수정 정보를 포함하고 있을 수 있다고 주장한다. 제로샷 생성의 제한된 탐색 능력에 착안하여, 우리는 효율적인 메트로폴리스-허스팅스 탐색 전략을 개발하여 베팅…

증거를 통한 직관: 다중 모달 에이전트를 위한 적응형 이중 메모리

arXiv:2610.33019v1 발표 유형: 신규 초록: 다모달 에이전트가 지속적인 상호작용을 수행할 때, 장기 기억은 세밀한 증거 회수와 전반적 이해를 위한 내재화된 해석이라는 두 가지 서로 다르지만 상호 보완적인 기능을 수행한다. 비록 일화 기억과 잠재 기억이 각각 명시적 역사 기록과 내재화된 경험을 통해 이러한 요구를 충족하긴 하지만, 일화 기억의 증거 범위와 통합에 대한 한계, 그리고 잠재 기억의 사실적 근거 마련에 대한 한계로 인해, 이 두 패러다임만으로는 과제 간의 다양한 기억 특성들을 모두 포괄하기 어렵다. 이러한 격차를 해소하기 위해 우리는 모델 고유의 잠재 기억을 직관적인 사전으로 활용하고, 검색 조건에 따라 공동 정렬을 통해 정확한 증거 재구성을 가능하게 하는 다중 인덱스 방식의 일화 기억을 결합한 이중 기억 프레임워크를 제안한다. At i

행동에 대한 처벌을 언제 중단해야 할까요? VLA 강화학습을 위한 마팅게일 GRPO

arXiv:2610.32431v1 발표 유형: 신규 초록: 비전-언어-행동(VLA) 롤아웃이 실패했다고 해서 모든 행동이 실패에 기여했다는 의미는 아니다. 그러나 그룹 상대 정책 최적화(GRPO)에서는 롤아웃 내 모든 행동에 대해 단일 궤적 수준의 이득이 할당된다. 이로 인해 잠재적으로 유용한 복구 시도가, 그것이 바로잡으려는 오류와 함께 처벌받을 수 있다. 실패 피드백을 위한 이상적인 중단 조건은 성공 확률 및 정책 점수 마팅게일을 활용하여 규명된다. 이러한 중단 시점에서는, 제거된 그라디언트 기여의 조건부 기대값이 유지된 정보를 조건으로 하여 영이 된다. 따라서 절단은 기준 GRPO 그룹 그라디언트 추정량의 기대값을 보존하고 그 공분산을 줄일 수 있다. 이러한 중단 중 하나는 성공의 조건부 확률이

새로운 연구에 따르면, 강화학습에서 기존의 크리틱은 대규모 언어 모델의 신뢰도 추정기로 그대로 재사용할 수 있다.

2026년 10월 26일 arXiv에 게재된(번호 2610.31820v1) 한 편의 AI 연구 논문은, 가치 기반 강화학습(value-based RL)으로 학습된 대형 언어 모델(LLMs)의 경우, 기존의 크리틱 모듈이 별도의 학습이나 데이터 없이도 높은 정확도와 높은 교정성을 갖춘 신뢰도 추정기로 활용될 수 있음을 보여준다고 지적했다.

추천 이유：이 연구는 신뢰도 추정과 강화학습에서의 크리틱 학습 간의 수학적 본질적 동등성을 밝혀냈으며(정확성 결과 정의 하에), 10여 개 분야(수학, 코드 작성, 도구 호출, 일반 추론)에 걸친 실증을 통해 크리틱 재사용의 효과성과 일반화 능력을 검증하였다. 이러한 성과는 LLM의 신뢰할 수 있는 배포 문턱을 낮추는 데 직접적인 엔지니어링 가치를 지닌다.

연구에서는 자가평가 강화학습 프레임워크 SARL을 제안하여 검색 증강형 대규모 모델의 검색 상태 인식 능력을 향상시켰다.

2026년 10월 24일, arXiv은 논문 arXiv:2610.30435v1을 발표하여, 기존 검색 증강형 대규모 언어 모델에서 검색 에이전트가 검색 상태에 대한 인식 능력을 갖추지 못하는 문제를 해결하기 위한 Self-Assessment Reinforcement Learning(SARL) 프레임워크를 제안했습니다.

추천 이유：이 연구는 검색 강화형 대규모 언어 모델이 복잡한 과제에서 이미 획득된 정보나 누락된 정보를 인식하지 못해 환각 추론과 조기 탐색 종료라는 핵심적 결함을 겪는 문제를 해결하기 위해, 테스트 시 추가적인 평가 없이도 작동하는 엔드투엔드 강화학습 방안을 제안하고, 다중 점프 추론 및 심층 연구 벤치마크에서 상당한 성능 향상을 달성했습니다.

네팔어-영어 혼합 음성 인식의 새로운 벤치마크와 합성에서 실제 데이터로의 이중 단계 적응 프레임워크를 발표했습니다.

연구자는 2026년 10월 24일 arXiv에 논문(번호 2610.30860v1)을 발표하여, 자발적 팟캐스트 환경을 위한 네팔어–영어 코드 스위칭 ASR 벤치마크를 최초로 제안했다. 이 벤치마크는 실제 발화 13,044건(15.45시간 분량)을 포함하며, 합성 음성에서 실제 음성으로 전환하는 두 단계의 적응 방법을 설계했다: 먼저 0.95시간 분량의 다중 화자 TTS 합성 음성을 활용한 감독 미세조정을 수행하고, 이후 스크립트 기반 보상을 도입한 그룹 상대적 정책 최적화(GRPO)를 적용한다.

추천 이유：이 연구는 저자원 언어 간 코드 전환 ASR에서 스크립트 혼란과 전환 지점 오류율이 높다는 핵심 과제에 정면으로 도전하며, 엄격한 데이터 감사를 통해 기계 번역 유출 및 음향 순환을 원천적으로 차단하고, 모든 검증 텍스트, 타임스탬프, 에피소드 메타데이터 및 재구성 스크립트를 공개했습니다. 실험 결과는 통계적 유의성을 보였으며(p≤0.001), 단일 언어 벤치마크에서도 일반화 안정성을 입증했습니다.

연구자들이 시칠리아어 신경기계번역 시스템을 재구성하여 저자원 언어의 번역 품질을 향상시켰다.

2026년 10월 24일 arXiv에 게재된 기술 논문(번호 2610.30374v1)은 시칠리아어를 위한 소규모 신경기계번역(NMT) 시스템의 재구축 작업을 보고한다. 이는 이중언어 학술지 ‘Arba Sicula’의 PDF에서 고품질 평행 텍스트 코퍼스를 추출하고, 문장 대응, 토크나이제이션 및 어간에 민감한 서브워드 분할을 개선하며, 기존 Perl 기반 처리 파이프라인을 Perl 없이 구현된 방식으로 전환한 결과를 담고 있다. 실험에서는 초기부터 학습한 소형 Transformer 모델과 사전훈련된 NLLB 모델을 미세조정한 경우를 비교한 결과, 후자가 특히 시칠리아어로의 번역에서 현저히 우수함을 확인하였다.

추천 이유：이 논문은 멸종 위기 또는 자원이 제한된 언어인 시칠리아어를 대상으로 한 재현 가능하고 공학적으로 구현된 NMT 실천 경로를 제시하며, 데이터셋 구축, 모델 적합화 및 학습 전략 최적화 등 주요 단계를 포괄합니다. 또한 모든 평가는 고정된 ‘Arba Sicula’ 테스트 세트를 기반으로 수행되어, 방법론이 투명하고 제약 조건이 명확하여 기술적 참고 가치를 지닙니다.

연구에서는 Delta N-gram을 제안한다: 언어 모델의 원생 N-gram 테이블을 위한 전방향만 가능한 지속적 쓰기 방법

2026년 10월 24일, arXiv는 논문 arXiv:2610.31125v1을 발표하여 Delta N-gram을 제안했다. 이는 사전 학습된 N-gram 테이블 T⁰을 수정하지 않고, 전방향 전파를 통해 희소한 증분 패치 Δ만을 기록하는 새로운 메커니즘으로, 효율적이고 가역적인 지속적 기억 업데이트를 지원한다.

추천 이유：이 연구는 지속 학습에서 모델의 기초 파라미터 변동이 크다는 문제를 해결하기 위해, 구조가 경량화되어(4.1M 파라미터) 계산 효율성이 높으며(순수 전방향), 완전히 역변환 가능하여(Δ를 초기화하면 원래 모델로 복원됨) 기억을 강화하는 경로를 제안하고, Qwen3.8-Flash-Next와 같은 모델에서 문서 특이성과 간섭 저항성이 더욱 우수함을 검증하였다. 이는 최첨단 신뢰성 AI 시스템 연구에 해당한다.

AQL-Lite 출시: 현대 표준 아랍어를 위한 효율적인 대규모 모델의 지속적 사전 훈련 프레임워크

2026년 10월 24일, arXiv에 게시된 논문 2610.30344v1은 AQL-Lite 프레임워크를 제안하며, 품질 우선 데이터 선별과 부분 매개변수 지속 사전훈련(CPT)을 통해 다국어 대규모 모델의 현대 표준 아랍어(MSA) 적응 효율을 크게 향상시켰다.

추천 이유：이 연구는 아랍어 대규모 모델 학습에서 발생하는 노이즈 데이터의 과다, 방언 혼재, 지속적인 사전훈련 비용의 높음 등 핵심 과제에 정면으로 도전하며, 재현 가능하고 경량화된 고성능·고비용 효율의 기술적 접근법을 제시하고, 여러 권위 있는 아랍어 벤치마크에서 그 유효성을 검증했습니다. 모든 결론은 논문에서 명확히 보고된 실험 설정과 결과에 근거한 것이며, 외부적 추론은 포함되지 않습니다.

자연어 자동 인코더는 대규모 모델의 활성화 차이를 효과적으로 언어화하여, 모델 간 차이 분석과 해석 가능성 연구를 지원합니다.

2026년 10월 24일 arXiv에 게재된 한 논문(arXiv:2610.30934v1)은 자연어 자동 인코더(NLAs)의 활성 공간 차원 표현에 대한 일반화 능력을 체계적으로 평가했으며, 실험을 통해 이들이 조합성, 미세조정 모델 적응, 미세조정 목표 복원 및 모델 차원 전문화의 네 가지 측면에서 안정적인 성능을 보임을 입증했다.

추천 이유：이 연구는 네 가지 재현 가능한 실험 설계를 기반으로 하며, 세 개의 가족에 속한 네 개의 대형 언어 모델을 포괄하여, 베럴리제이션이라는 새로운 해석 가능성 연구 분야에서 지금까지 가장 체계적인 일반화 증거를 제시한다. 모든 결론은 논문에서 보고된 실험 설정과 관찰 결과에 엄격히 한정되며, 테스트되지 않은 모델 규모나 과제로는 외삽되지 않는다.

연구에서는 정치적 논쟁 담화에서 미명시된 논증(엔티메) 식별에 관한 주석상의 이견 문제를 해결하기 위해 새로운 평가 방법과 모델을 제안하였다.

이 논문은 백신 접종과 이민 문제에 관한 트윗 데이터를 기반으로 하며(각 트윗은 다섯 명의 주석자가 독립적으로 주석을 달음), 기존 미세조정 모델들이 엔티메메 검출 과제에서 F1 점수가 항상 약 0.67에 머무는 현상을 발견했다. 이에 따라 저자들은 단일 레이블 평가 패러다임을 포기하고, 대신 주석자의 의견 분포를 정확히 표현할 수 있는 새로운 지표를 도입하며, 해당 분포를 직접 예측할 수 있는 모델을 설계함으로써 F1 점수를 낮추지 않으면서도 인간 판단의 이견을 보다 잘 포착할 수 있다고 제안한다.

추천 이유：이 논문은 NLP 분야에서 오랫동안 간과되어 온 ‘주석자 간 이견이 본질적 특징이다’라는 현실을 정면으로 다룬다—특히 정치적으로 민감한 맥락에서는 엔티메의 식별이 주관적 추론에 크게 의존한다. 그 방법론적 전환(점예측에서 분포예측으로)과 담화 구조의 한계를 실증적으로 드러낸 점은 콘텐츠 검열 시스템 설계에 분명한 경고를 제공한다: 다수결 기반 학습 모델은 깊이 있는 맥락 추론이 필요한 은닉된 논증을 체계적으로 간과할 수 있다.