읽을 가치가 있는 기사만, 짧고 또렷하게.

소니 엑스페리아 10 VI 스마트폰은 약속되었던 안드로이드 17 업데이트를 받지 못하게 되었습니다. 이 기기는 2년 전에 스냅드래곤 6 Gen 1 칩셋과 안드로이드 14로 발표되었으며, 소니는 이 업데이트에 올해 안드로이드 17 릴리스가 포함될 것이라고 약속했습니다.

하지만 소니는 영국 지원 사이트에 게시한 공지를 통해 엑스페리아 10 VI에 안드로이드 17이 제공되지 않을 것이라고 밝혔습니다. 이는 기기의 저장 구성과 관련된 기술적인 평가에서 제한 사항이 발견되었기 때문입니다.

소니는 상세한 기술 평가 결과, 기기의 저장 구성과 관련된 제한 사항으로 인해 안드로이드 17 업그레이드 경험이 충분하다고 판단되지 않는다고 설명했습니다. 따라서 소니는 해당 업데이트를 진행하지 않기로 결정했습니다.

Mac의 모든 창과 데스크톱을 iPhone과 iPad에서 조작할 수 있게 해주는 무료 애플리케이션 Sill이 공개되었습니다. 이 앱은 사용자가 Mac 환경의 화면을 모바일 기기로 전송하고, 터치, 키보드, 트랙패드, Apple Pencil을 사용하여 원격으로 조작할 수 있도록 지원합니다.

Sill은 화면 전송을 위해 Apple의 ScreenCaptureKit과 VideoToolbox 프레임워크를 활용합니다. 이를 통해 화면을 HEVC 영상 형태로 전송하며, 실시간으로 화면을 스트리밍하는 기술적 기반을 제공합니다.

특히 중요한 점은 인코딩이나 연결 상태가 불안정할 경우 프레임을 쌓지 않고 처리하여 지연을 최소화한다는 것입니다. 이는 원격 데스크톱 환경에서 실시간 상호작용이 필요한 애플리케이션 개발에 있어 효율적인 화면 전송 및 제어 방식을 제시합니다.

총기 권리 활동가이자 극우 친화적인 선동가인 코디 윌슨이 "최초의 AI 제작 총기"를 주장하며 주목받고 있습니다. 그는 13년 전 3D 프린팅 총기를 제작하여 추적 불가능한 고스트 건(ghost guns) 시대를 촉발하는 데 기여했으며, 이제 WASP라는 이름의 AI 기반 총기를 선보이고 있습니다.

윌슨은 WASP를 제작하기 위해 3D 프린팅된 .22구식 권총을 공개했는데, 이는 실제로는 스프링 장착 플라스틱 상자에 총열을 부착한 것에 불과한 것으로 설명됩니다. 이 총기는 윌슨이 이전에 제작했던 3D 프린팅 총기인 '리버레이터(Liberator)' 디자인과 유사한 형태를 띠고 있습니다.

이러한 논란은 3D 프린팅 기술과 AI 생성 콘텐츠의 경계, 그리고 무기 제조에 대한 법적 및 윤리적 문제와 관련하여 논의를 촉발하고 있습니다. 윌슨이 제시한 WASP는 단순한 제조 방식을 넘어 기술적 혁신과 법적 경계에 대한 새로운 질문을 던지고 있습니다.

90년대 청소년들을 위한 무료 BBS인 BARK에 대한 글은 초기 온라인 커뮤니티와 컴퓨터 연결의 역사에 대해 회고합니다. 이 글은 당시의 기술적 제약과 사용자들이 어떻게 파일 공유 및 커뮤니케이션을 수행했는지 구체적인 경험을 통해 보여줍니다.

당시 컴퓨터 사용 환경은 MS-DOS와 텍스트 기반 GUI에 의존했으며, 인터넷이 보편화되기 전에는 BBS(Bulletin Board System)가 컴퓨터를 전화선으로 연결하는 주요 수단이었습니다. BBS는 공개 및 비공개 게시판, 파일 다운로드/업로드, 실시간 채팅, 게임 등을 제공하며 초기 인터넷 접근의 중요한 통로였습니다.

작성자는 초기 BBS들을 통해 프로그래밍 가이드, 해킹 자료, 소프트웨어 도구 등을 수집했으며, 특히 톨프리 전화번호를 이용한 BBS 목록과 파일 전송 방법(예: 이메일을 통한 파일 전송)에 대해 언급합니다. 이는 당시의 제한적인 통신 환경 속에서 개발자들이 정보를 공유하고 소프트웨어를 배포하던 방식을 이해하는 데 중요한 맥락을 제공합니다.

이러한 자료들은 당시의 네트워크 기술과 오픈 소스 소프트웨어 생태계가 어떻게 형성되었는지 보여주며, 레트로 컴퓨팅과 네트워크 역사에 관심 있는 독자들에게 흥미로운 자료가 될 것입니다.

델라웨어 배심원단은 Arm이 Qualcomm과의 아키텍처 라이선스 계약(ALA)을 위반했다고 판결했지만, 배상금은 총 2달러에 불과했습니다. 이는 Arm이 Qualcomm이 맞춤형 Oryon CPU 코어를 검증하는 데 필요한 소프트웨어 패치와 검증 도구를 제공하지 않았으며, Meta와의 Qualcomm의 사업에 의도적으로 간섭했다는 두 가지 주장에 대해 승소했기 때문입니다.

이 판결은 Arm의 라이선스 계약 위반에 대한 법적 분쟁이 진행 중임을 보여주지만, 가장 중요한 쟁점은 여전히 남아 있습니다. 판사 메릴리엔 노레이카는 Arm의 위반 행위가 Qualcomm이 ALA에 따라 5년 동안 로열티 지불을 중단할 수 있는지에 대해 아직 결정하지 않았습니다. 이 로열티는 수십억 달러에 이를 수 있어 이 판결의 최종 결과가 산업에 미칠 영향이 매우 큽니다.

양측 모두 판결 결과를 자신들에게 유리하게 해석하고 있으며, 이는 두 회사 간의 두 번째 법적 공방입니다. 이 분쟁은 Arm의 라이선스 정책과 향후 오픈 소스 표준인 RISC-V로의 전환에 대한 논의에 중요한 맥락을 제공합니다. 법적 결과가 어떻게 나오든, 업계는 독점적인 폐쇄형 표준보다 개방형 표준을 선호하는 방향으로 나아갈지 주목됩니다.

인공지능은 자본주의의 최종 목적지이며, 이는 인간의 사고와 사회적 일관성을 붕괴시킬 수 있다는 경고가 담겨 있습니다. AI가 언어와 인간의 관계를 파괴하고 지적 참여를 기계적이고 기계적인 것으로 대체하면서, 인간은 본능과 진실을 구별하는 능력을 상실하게 될 위험에 처해 있습니다.

이러한 변화는 단순히 기술적 진보를 넘어 인류의 인지 능력과 정신 상태에 심각한 영향을 미칠 수 있다는 우려를 제기합니다. AI의 발전은 인간의 지능이 감소하고, 미래 세대가 경험할 수 있는 고통과 기쁨을 박탈하며, 결국 대규모 정신병으로 이어질 수 있다는 것입니다.

AI 기업의 리더들은 인간 문명 종말의 가능성을 인지하고 있으며, 이들은 자신들의 생존을 위해 정부 규제를 요구하고 있습니다. 따라서 AI의 발전이 인류에게 재앙이 되지 않도록 극단적인 수준의 규제와 통제가 필요하다는 주장이 제기됩니다.

프로그래밍은 단순히 컴퓨터에 국한되지 않고 인간과 사회 전반에 적용되는 학문입니다. 종교와 이데올로기가 바람직한 결과로 이끄는 규칙과 실천으로 이해될 때, 종교학은 소프트웨어와 개발자의 역할을 이해하는 데 중요한 도구가 될 수 있습니다.

이러한 관점은 기술 분야에도 적용되어 내부자/외부자 문제와 같은 복잡한 역학 관계를 이해하는 데 도움을 줍니다. 개발자는 디지털 세계를 깊이 이해하고 기술적 측면뿐만 아니라 그 이면에 존재하는 사회적, 윤리적 맥락을 고려해야 합니다.

결국 소프트웨어 공학에서 종교학적 접근은 기술적 문제 해결을 넘어, 개발자가 디지털 환경 속에서 어떤 역할을 수행해야 하는지에 대한 깊은 통찰을 제공합니다. 이는 기술과 인간 사회의 관계를 통합적으로 바라보는 시각을 제공합니다.

마이크로소프트의 서피스 랩톱 울트라가 대부분의 약속을 이행했다는 평가를 받으며 개발자 및 고성능 사용자층을 겨냥하고 있습니다. 이 노트북은 책과 영화 요약, 이미지 생성, 그리고 대부분의 노트북에 탑재하기 어려웠던 700억 개의 매개변수(parameter)를 가진 AI 모델 구동이 가능하며, ARM 시스템에서 AAA 게임을 이전보다 훨씬 높은 속도와 충실도로 구동할 수 있습니다.

마이크로소프트는 사용자가 작업, AI, 게임 등 모든 요구 사항을 충족하는 단일 컴퓨터를 구매하도록 유도하는 전략을 취하고 있습니다. 이는 단순히 마케팅 구호가 아니라, 기존의 데스크톱이나 노트북을 대체할 수 있는 고성능 기기를 제공하려는 시도입니다. 특히 이 제품은 엔비디아 RTX Spark 플랫폼을 기반으로 하며, 맥북 프로 구매자를 포함한 고성능 사용자층을 목표로 합니다.

이러한 발표는 최근 PC 시장의 냉각된 상황 속에서 주목할 만합니다. 2026년 3분기 PC 출하량은 전년 대비 20% 감소했는데, 이는 소비자 구매뿐만 아니라 산업 전반에서 기업 자금과 인플레이션에 초점이 맞춰져 있기 때문입니다. 따라서 서피스 랩톱 울트라는 현재의 시장 환경에서 고성능과 다목적성을 결합한 새로운 접근 방식을 제시한다는 점에서 의미가 있습니다.

마이크로소프트 서피스 랩톱 울트라에 대한 리뷰에서 이 제품은 맥북 프로와 유사한 디자인을 갖추고 있으며 개발자를 위해 설계되었다고 소개됩니다. 이 노트북은 5,900달러의 가격대로 출시되었으며, 단순한 윈도우 노트북을 넘어선 새로운 접근 방식을 제시합니다.

마이크로소프트는 엔비디아와 협력하여 엔비디아의 새로운 Arm 기반 RTX Spark 칩을 선보이는 고성능 노트북을 구축했습니다. 이는 윈도우 온 암(Windows on Arm) 환경에서 중요한 진전이며, 이 칩들은 AI 모델, 최신 AAA 게임, 그리고 창작 애플리케이션을 로컬에서 구동할 수 있게 합니다.

이러한 기술적 약속은 로컬 AI 구동에 대한 강력한 가능성을 제시하지만, 실제 로컬 AI 환경은 예상보다 훨씬 복잡하고 까다로운 현실을 가지고 있습니다. 따라서 개발자와 사용자는 이 새로운 하드웨어와 AI 기능을 활용할 때 그 현실적인 제약 사항을 고려해야 합니다.

애플의 첫 번째 폴더블 폰인 아이폰 듀오가 사전 주문을 시작하며 출시되었습니다. 아이폰 듀오는 아이폰 18 프로, 애플 워치 시리즈 12, 울트라 4 모델과 함께 애플의 "서프라이즈 앤 샤인" 이벤트에서 공개되었습니다.

아이폰 듀오는 5.4인치의 외부 화면을 가지며, 펼쳤을 때 7.6인치의 슈퍼 레티나 XDR 화면을 제공합니다. 이 기기는 측면에 지문 인식을 위한 터치 ID 센서를 탑재했으며 얼굴 잠금 기능인 페이스 ID는 지원하지 않습니다.

물리적인 내구성을 위해 IP68 등급과 백 및 전면에 세라믹 실드(Ceramic Shield)가 적용되었으며, 후면에는 세라믹 실드가 사용되었습니다. 또한, 이 기기는 동일한 A20 칩을 사용하며 향후 올해에 애플 펜슬 지원이 추가될 예정입니다.

거대 언어 모델(LLM)이 언어 모델(LM) 개발을 자동화하여 재귀적 자기 개선으로 나아가는 경로를 제시하고 있습니다. 하지만 실험적 피드백을 효과적인 개선 제안 능력으로 학습시키는 과정에는 두 가지 주요 난제가 존재합니다. 첫째, 실제 피드백으로 이러한 능력을 훈련하는 것은 비용이 많이 드는데, 강화 학습(RL)은 수만 개의 제안을 평가해야 하며 각 제안마다 전체 모델 훈련이 필요하여 보상 수집만으로도 수십만 GPU-시간이 소모됩니다. 둘째, 정책 최적화가 제안 분포가 변할 때 과대평가된 제안을 선호하여 보상 피드백이 신뢰성을 잃을 수 있습니다.

이러한 문제들을 해결하기 위해 연구진은 효과적인 LM 개선 제안을 생성하도록 LLM을 RL로 훈련하는 LM2LM을 제안했습니다. LM2LM은 연구 세계 모델(RWM)이라는 고정된 LLM을 보상 모델로 사용하여 확장 가능한 피드백을 제공합니다. RWM은 실제 실험 기록에서 제안의 이득을 예측하며, 신뢰성을 유지하기 위해 RWM이 높은 순위로 평가한 현재 정책 제안들을 주기적으로 실행하고 그 결과를 RWM의 맥락에 추가합니다.

여덟 가지 자기회귀 및 확산 LM 개발 환경에서 실제 실행 평가 결과, LM2LM은 Qwen3.8-27B가 GPT-6-sol보다 우수한 성능을 보이게 했습니다. 이는 GPT-6-sol에 300개의 실제 실험 기록을 제공했음에도 달성한 결과이며, 데이터 생성 비용을 33% 절감하는 효과를 보였습니다. 또한 LM2LM은 훈련 과정에서 보지 못한 모델 패밀리에도 일반화되는 능력을 보여줍니다.

저랭크 적응(LoRA)이 대규모 사전 학습 모델의 파라미터 효율적인 미세 조정 표준 방법이 되었지만, 저랭크 업데이트가 충분한 이유에 대한 이론적 설명은 여전히 불완전합니다. 기존 분석들은 신경 탄젠트 커널(NTK) 영역에 의존하여 네트워크를 사전 학습 가중치 주변에서 선형화하는 방식을 사용했습니다. 본 연구는 선형화가 필요 없는 다른 접근 방식을 취하며, 백본(backbone)이 고정되었을 때 손실 함수가 각 적응된 가중치 행렬을 고정된 활성화에 의해 유도되는 유한 차원의 선형 맵을 통해서만 바라본다는 핵심 관찰을 제시합니다.

이러한 관찰을 바탕으로 트레이스-노름 정규화(trace-norm regularization)는 최적화기가 동일한 관측 결과를 생성하는 모든 행렬 중에서 저랭크 행렬을 선택하도록 강제합니다. 이를 통해 얻은 전역 최소값은 샘플 크기가 아닌 이 맵의 차원, 즉 병목 차원(bottleneck rank)에 의해 제어됩니다. 특히 멀티 헤드 어텐션의 경우, 행별 소프트맥스가 스코어 행렬의 추가적인 행 상수 변화에 둔감하고 값 업데이트는 어텐션 가중치 및 고정된 출력 투영 후에만 관찰된다는 두 가지 추가 불변성을 활용하여 더 엄격한 차원 상한을 얻습니다.

또한, 가중치 감쇠(weight decay)가 포함된 분해된 LoRA 목적 함수에 대해 비볼록(nonconvex) 측면에서도 보완적인 결과를 증명합니다. 임의로 작은 양의 준정부호 섭동 후에, LoRA 랭크가 병목 차원에 의해 결정되는 임계값을 초과하면 모든 1차 정지점은 차원 부족(rank-deficient)하게 됩니다. 최종적으로, 우리는 섭동된 목적 함수의 전역 최소값이 원래의 트레이스-노름 문제에 대해 거의 최적이며, 고정된 특징의 스펙트럼 구조에 의해 통제되는 균일한 일반화 경계(uniform generalization bounds)를 제공합니다.

도구 증강 언어 모델 에이전트는 추론 시점에 제공되는 인터페이스 텍스트, 즉 도구 설명, 인자 스키마, 후보 도구 목록에 의존합니다. 이러한 인터페이스는 기반 도구의 의미론이 고정되어 있음에도 불구하고 배포 후에도 변경되는 경우가 많아 함수 호출 시스템에 실질적인 신뢰성 문제를 야기합니다. 연구진은 이러한 실패 모드를 인터페이스 드리프트로 정의하고, 모델을 재학습시키지 않고도 견고성을 회복할 수 있는 경량의 수정 레이어가 있는지 평가했습니다.

이 연구는 SchemaShield-Lite라는 방법론을 제시하며, 이는 스키마 검증, 누락된 도구 이름에 대한 후보 목록 재시도, 그리고 단일 시점 제약 수정 기능을 결합합니다. Qwen3.5-9B 모델에서 실험한 결과, 이 방법은 DICE-300 정확도를 0.717에서 0.813으로, BFCL-200 정확도를 0.580에서 0.805로 향상시켰습니다. 또한 드리프트로 인해 발생한 실패 중 19/22와 33/45를 회복했으며, 수정 과정에서 관찰된 손상은 없었습니다.

분석 결과에 따르면 단순한 재시도 방식은 이러한 성능 향상을 설명하지 못하며, 제거 실험을 통해 후보 목록 드리프트, 특히 방해 도구(distractor tools)가 관찰된 손상의 대부분을 차지함을 알 수 있습니다. 반면, 설명이나 스키마 편집만으로는 손상이 덜 발생했습니다. 따라서 검증 및 수정(validation-and-repair) 과정이 배포된 LLM 에이전트의 도구 사용에 대한 실용적인 견고성 레이어가 될 수 있음을 입증했습니다.

최근 딥러닝 시스템은 대규모 입력 및 파라미터 벡터를 반복적으로 저장, 전송, 처리하는 고차원 벡터 연산에 크게 의존하고 있습니다. 모델 크기를 줄이기 위한 가지치기, 양자화 등의 연구가 활발하지만, 반복적으로 제시되는 고차원 입력 벡터와 관련된 저장, 메모리 트래픽, 통신 비용은 특히 분산 및 엣지 컴퓨팅 환경에서 중요한 실용적 고려 사항으로 남아 있습니다.

이러한 문제를 해결하기 위해 본 논문은 SETAREH(Sorting-assisted Energy-concentrating Transform for Approximate Representation using Haar wavelets) 변환을 제안합니다. SETAREH는 하르 웨이블릿 기반의 희소화 접근 방식으로, 고정된 고차원 계수 벡터와 연속적인 입력 벡터 간의 내적을 근사화하는 것을 목표로 합니다. 두 벡터에 동일한 순열 및 하르 변환을 적용하여 내적을 보존한 후, 변환된 계수-입력 쌍의 일부만 유지함으로써 표현 비용을 줄이고 제어 가능한 근사 오차를 도입합니다.

SETAREH를 평가하기 위해 합성 가우시안 벡터 기준과 APPA-REAL 데이터셋을 사용한 실제 연령 추정 작업을 통해 실험을 진행했습니다. 그 결과, SETAREH는 원래 벡터 차원보다 훨씬 적은 변환된 계수-입력 쌍을 사용하여 평가된 내적을 근사할 수 있음을 보여줍니다. 이는 고정된 가중치를 가진 반복적인 내적 연산을 위한 구조화된 데이터 표현 방법으로 SETAREH를 활용할 수 있음을 시사합니다.

다만, 이 방법의 실제 이점은 근사 정확도와 순열 메타데이터를 저장하거나 전송하는 비용에 따라 달라집니다. 따라서 SETAREH를 적용할 때 필요한 근사 오차 수준과 메타데이터 처리 비용을 고려해야 합니다.

사전 학습된 모델을 다운스트림 작업에 재사용하는 전이 학습(transfer learning)이 성능 향상, 특히 스케일링 법칙 측면에서 어떤 이점을 제공하는지에 대한 질문을 다룹니다. 연구진은 고차원 회귀의 전형적인 설정에서 사전 학습된 소스 모델을 리지 회귀로 훈련하고, 타겟 모델을 소스 추정량으로부터의 $L_2$ 거리를 통해 정규화하는 두 단계 과정을 분석합니다.

이 연구는 두 단계 절차 하에서 모델 및 공분산 변화에 따른 위험의 결정적 등가물을 설정하고, 이를 공유 회귀 함수와 교환 가능한 파워 법칙 공분산 스펙트럼으로 특수화하여 결과적으로 최소-최적(minimax-optimal) 지수를 달성하는 영역을 식별했습니다. 이 최적 영역에서는 최적의 소스 정규화가 소스 데이터에만 의존하게 되므로 모든 타겟에 걸쳐 보편적임을 보여줍니다.

또한, 동일한 최적 비율이 단일 패스 확률적 경사 하강법(SGD)을 통해 미세 조정 단계를 수행함으로써 달성됨을 입증했습니다. 이러한 이론적 분석은 합성 설정과 언어 모델에 대한 실험을 통해 뒷받침되었습니다.

결론적으로 이 연구는 전이 학습 과정에서 스케일링 법칙을 최적화하고 보편적인 정규화 방법을 찾는 데 있어 이론적 기반을 제공하며, 실제 모델 적용에 대한 통찰력을 제공합니다.

화성 탐사 장비인 마스 탐사 궤도선(MRO)에 탑재된 고해상도 이미징 과학 실험(HiRISE)에서 데이터 손실 문제를 해결하기 위한 머신러닝 프레임워크가 제시되었습니다. 2023년에 중심 초점 평면 어셈블리(Focal Plane Assembly)의 일부 검출기인 RED4가 간헐적으로 고장나면서 이미지 획득에 공백이 생기고 기기의 색상 이미징 능력이 절반으로 감소하는 문제가 발생했습니다.

기존의 처리 파이프라인은 인접한 적외선 채널을 선형적으로 확장하여 합성 적색(SYN4) 채널을 생성했지만, 이는 색상 채널 간의 비선형 관계를 포착하지 못해 정확도에 한계가 있었습니다. 이에 연구진은 HiPredict라는 머신러닝 프레임워크를 개발하여 인접한 적외선(IR10) 및 청록색(BG12) 이미지, 이웃 적색 채널 관측, 그리고 획득 메타데이터를 활용하여 RED4 채널을 복원합니다.

이 모델은 U-Net 구조를 사용하여 입력 데이터 간의 비선형 시공간-스펙트럼 관계를 학습하며, 훈련 샘플을 통해 RED4를 재구성하는 데 있어 정규화된 평균 절대 오차(Normalised Mean Absolute Error)가 1.1%를 달성하여 기존의 SYN4(3.1%)보다 훨씬 뛰어난 성능을 보였습니다. 복원된 결과물은 얼음 분화구, 능선 가장자리를 따라 노출된 지층, 염화물 침전물과 같은 관심 특징을 더 잘 나타내어 색상 이미지 복원을 개선합니다.

이 연구는 행성 임무가 노화되고 자연적으로 열화될 때 데이터 손실을 완화하는 데 머신러닝의 잠재력을 보여주며, HiPredict를 공개 소프트웨어 도구로 배포하여 데이터 손실 문제를 해결할 수 있음을 입증합니다.

RPKI 검증을 통과하는 인터넷 라우팅 프리픽스의 비율이 크게 증가하여 인터넷 경로 보호에 획기적인 진전이 있었습니다. 2025년 9월 54.0%였던 검증 통과율은 2026년 9월에는 70.3%로 상승했습니다.

이러한 발전은 RPKI 시스템이 인터넷 경로의 상당 부분을 보호하고 있음을 의미하며, 무효 경로의 전파 차단도 관측되고 있습니다. 유효 경로와 RPKI 기록이 없는 경로에 대한 관측 지점 수 중앙값은 각각 596개와 595개로 나타났습니다.

다만, 검증에 실패한 경로의 수는 2개에 불과하여 현재까지는 대부분의 경로가 효과적으로 관리되고 있는 것으로 보입니다. 이는 RPKI 도입이 인터넷 라우팅의 안정성과 보안을 강화하는 데 중요한 역할을 하고 있음을 보여줍니다.

소형 장치에서의 실시간 추론을 위해서는 추가 지연 없이 낮은 활성화 메모리가 필요하며, 이는 연산자 순서가 시간적으로 자유롭기 때문에 가장 중요한 메모리 레버라는 점을 보여줍니다. 기존에 더 나은 순서를 컴파일러에 반환하고 코드를 재생성하는 방식은 신뢰할 수 없으며, PyTorch Inductor에서 예측된 피크 메모리를 54개의 CPU 구성 중 22개에서 놓쳤습니다. 심지어 GPU에서는 50개 구성 중 19개에서 기존 프로그램보다 성능이 나빴고 수치 결과도 달라지는 문제가 발생했습니다.

이에 연구진은 대신 프로그램의 메모리를 자체 진술과 읽기/쓰기 효과로부터 정확하게 모델링하고 해당 진술들을 재배열하여 메모리 피크를 실현하는 방법을 제시했습니다. 이 방법은 할당이 이력에 의존하지 않을 때 모델링된 피크를 바이트 단위로, 모든 CPU 실행에서 비트 단위로 동일한 결과로 달성합니다. GPU에서는 캐싱 할당자가 이 조건을 깨는 이유를 분석했습니다.

이러한 최적화 순서를 검증하기 위해 순방향 및 역방향 "트랩" 하한값을 제공했는데, 이는 94%의 홀드아웃 래퍼 그래프와 모든 마이크로컨트롤러급 모델에 대해 1초 미만으로 최적의 순서임을 인증합니다. 대부분의 추론 그래프는 이미 최적으로 스케줄링되어 있으며, 순서 재배열이 자유롭고 이득을 주는 분기 네트워크와 같은 예외적인 경우만 존재합니다.

나아가 연산자별 캡을 이용한 선택적 재계산 연구를 통해 추가적인 최적화 가능성을 탐구했습니다. 이는 특정 아키텍처가 후기 재사용에 가치를 두는 경우에 유용하며, 공개된 ReDimNet 스피커 네트워크의 경우 추가 MAC 연산 0.4% 미만으로 피크를 5.2~6.1% 낮추면서 비트 단위로 동일한 출력을 보장합니다.

의료 및 예측 유지보수 분야에서 여러 경쟁 원인 중 어떤 것이 먼저 발생할지, 그리고 그 확률은 얼마인지 파악하는 생존 분석(경쟁 위험 포함)이 중요합니다. 이에 따라 새로운 딥러닝 방법론이 아키텍처와 새로운 학습 손실 함수를 묶은 형태로 개발되었으며, 이는 단일 요소만으로는 최고 성능을 설명할 수 없다는 점을 보여줍니다.

연구진은 20개의 표 데이터셋과 3개의 병리학 이미지 데이터셋이라는 두 가지 양식(modality)을 사용하여 실험을 진행했으며, 세 가지 손실 함수 중 하나인 중도 절단 가중치 하에서 누적 발생률을 직접 모델링하는 손실 함수가 두 데이터셋 모두에서 우위를 보였습니다. 이 손실 함수는 경쟁 위험 데이터에서 좋은 백본(backbone) 선택만큼이나 큰 이점을 제공하며, 단일 사건 데이터에서는 더욱 결정적인 역할을 합니다.

또한, 백본의 선택도 중요하며 데이터 양식과 일치해야 하는데, 표 데이터에는 표에 강점을 갖는 네트워크가, 이미지 데이터에는 사전 학습된 비전 인코더가 유리합니다. 이 두 선택은 상호 대체하기보다 복합적으로 작용하며, 적절한 채점 규칙(proper scoring rules)을 통해 모델 간의 차이를 명확히 알 수 있습니다.

결과적으로, 누적 발생률 손실 함수로 훈련된 RealMLP나 TabM과 같은 모델은 벤치마크에서 최고의 브라이어 점수를 얻으며, 아직 시도되지 않은 새로운 모델을 제시합니다.

기업 데이터 분석을 위해서는 에이전트가 데이터베이스, 비즈니스 문서, 기존 예제 작업에 분산된 지식을 연결해야 합니다. 이러한 지식을 명시적으로 표현하지 않으면 에이전트는 부정확한 분석 결과를 도출하거나 피드백을 신뢰성 있게 통합할 수 없습니다. 이에 본 논문은 기업 데이터 분석을 위한 온톨로지 기반 LLM 에이전트인 AgentOnto를 제안합니다.

AgentOnto는 이질적인 기업 지식을 온톨로지로 정리하여 분석을 직접적으로 안내하고 확인된 피드백을 통합할 수 있도록 합니다. 또한, 자가 생성 분석 작업을 통해 온톨로지를 개선하는 반복적인 온톨로지 준비(Iterative Ontology Preparation) 과정을 통해 온톨로지의 품질을 더욱 향상시킵니다.

두 개의 공개 데이터 소스에 대해 AgentOnto를 평가한 결과, 이 에이전트는 대표적인 방법론을 크게 능가하는 성능을 보였습니다. 모듈 수준 평가를 통해 온톨로지 구축, 분석, 업데이트의 효과가 입증되었으며, 실제 환경 배포를 통해 기업 분석에서의 실질적인 가치를 입증했습니다.

이러한 결과는 기업 지식을 명시적으로 구축하고 사용하며 업데이트하는 것이 신뢰할 수 있고 적응력 있는 데이터 분석을 지원한다는 것을 보여줍니다.