읽을 가치가 있는 기사만, 짧고 또렷하게.

AMD SEV-SNP(Secure Nested Paging)는 하이퍼바이저가 게스트의 메모리에 접근하는 것을 방지하며, 메모리 소유권과 매핑에 대한 검사를 통해 보안을 강화합니다. 이 기술은 가상 머신이 시작될 때의 상태와 구성을 증명하는 보고서를 요청할 수 있게 하여 원격 증명(attestation)을 가능하게 합니다.

SNP는 가상 머신의 시작 측정값과 정책을 포함하는 보고서를 제공하며, 이 보고서는 AMD 보안 프로세서에 의해 서명됩니다. 리눅스 환경에서는 /dev/sev-guest 인터페이스를 통해 이 보고서를 요청할 수 있으며, 이때 가상 머신의 권한 수준(VMPL) 정보도 함께 전달됩니다.

개발자는 Zig 언어를 사용하여 이 보고서를 가져오고 파싱하는 방법을 구현할 수 있습니다. 특히, 보고서의 무결성을 확인하기 위해 OpenSSL을 사용하여 서명 인증서 체인과 ECDSA P-384 서명을 검증하는 과정이 필요합니다.

Coconut SVSM이나 OpenHCL과 같은 서비스가 가상 TPM을 호스팅할 때, SNP 펌웨어는 메모리 접근을 차단하여 키를 보호합니다. 따라서 보고서를 요청할 때 이러한 서비스의 주장과 플랫폼 보안 버전, 그리고 예상되는 런치 측정값을 비교하여 보고서의 유효성을 최종적으로 검증해야 합니다.

마이크로소프트의 사티아 나델라 CEO는 인공지능 모델에 ‘비상 브레이크’가 필요하다고 강조하며 AI 안전에 대한 새로운 접근 방식을 제시했습니다. 나델라는 AI를 단순히 중첩된 블랙박스로 취급하여 추천이나 행동을 무조건 수용하거나 거부해서는 안 되며, AI의 신뢰 구조를 재평가해야 한다고 주장했습니다.

그는 모델을 작동시키는 장치로부터 분리하고 통제 및 안전장치를 외부화해야 한다고 설명했습니다. 또한 모든 의미 있는 모델 행동은 위변조 방지된 사람이 읽을 수 있는 증거로 문서화되어야 하며, 권한 있는 사람이 작업 도중에 모델을 일시 중지하거나 중단할 수 있는 능력을 갖춰야 한다고 제안했습니다.

나델라는 모델이 손상되었을 가능성을 항상 염두에 두고 처음부터 이를 통제하고 격리해야 한다고 강조하며 비상 브레이크의 필요성을 역설했습니다. 이러한 주장은 AI 기업들이 모델 통제력을 상실한 사례가 늘어나고, 다른 주요 AI 기업들이 더욱 신중한 개발 계획을 발표하는 상황에서 나왔습니다.

마이크로소프트 실행 컨테이너(Microsoft Execution Containers, MXC) 버전 1.0.0이 정식 출시되었습니다. 이 기능은 개발자와 IT 관리자가 에이전트에게 허용할 파일이나 네트워크와 같은 자원을 선언하면, 컨테이너가 실행되는 동안 해당 경계를 강제하는 역할을 수행합니다.

MXC는 에이전트가 접근하고 실행할 수 있는 환경에 명확한 제어 경계를 설정하여 보안 및 환경 통제를 강화합니다. 이는 에이전트가 무단으로 접근하거나 변경할 수 있는 영역을 제한함으로써 시스템의 안정성과 보안을 확보하는 데 중점을 둡니다.

중요한 점은 이러한 정책과 경계 설정은 에이전트의 통제 밖에 유지된다는 것입니다. 따라서 모델, 생성된 코드, 플러그인, 도구 등 에이전트가 사용하는 모든 구성 요소는 이 설정된 정책의 제약을 준수해야 합니다. 이는 에이전트의 자율적인 행동과 외부 정책 간의 분리된 통제 구조를 확립합니다.

자체 의사결정 모델을 구축하고 보정하는 방법에 대한 실험 결과를 공유합니다. 시스템 원(System one) 의사결정 모델은 확률을 추론하고 보정된 답변을 제공하는 모델로, 이를 위해 출력 토큰을 특정 옵션으로 제한하는 제약 디코딩 기법을 사용했습니다. 이 과정에서 모델의 출력 확률이 실제 정확도를 반영하지 못하는 보정(Calibration) 문제가 발생함을 확인했습니다.

실제 실험에서 17억 파라미터 모델을 사용한 결과, 모델은 매우 불확실한 질문에 대해 높은 자신감(예: 90~100%)을 표현하지만 실제 정확도는 그보다 훨씬 낮은 경우가 발견되었습니다. 이는 모델이 예측에 대해 과도하게 자신감을 가지는 과신(Overconfidence) 상태이며, 모델의 출력 확률과 실제 정확도가 일치하지 않는다는 것을 의미합니다.

이러한 문제를 해결하기 위해 온도 스케일링(temperature scaling)을 통해 모델을 보정하는 방법을 제시했습니다. 온도 값을 조정하여 출력 확률 분포를 평탄화하고 정확도에 근접하게 조정할 수 있으며, 실험 결과 최적의 온도 값은 약 3.797입니다.

개발자들은 이 방법을 활용하여 모델의 정확도를 보정할 수 있으며, 데이터셋 구축, 평가, 미세 조정 및 보정 과정을 위한 스크립트와 리포지토리를 제공하고 있습니다. 이를 통해 자신만의 의사결정 모델을 구축하고 보정하는 데 활용할 수 있습니다.

해커들이 합법적인 빙 검색 결과 리디렉션을 악용하여 클로드(Claude) 클릭픽스(ClickFix) 공격을 유포하고 있습니다. 이 공격 기법은 보안 검사를 회피하기 위해 빙의 신뢰할 수 있는 도메인을 광고 목적지로 사용하여 사용자를 악성 다운로드 페이지로 리디렉션하는 방식으로 작동합니다.

공격자들은 이 기법을 'Adception'이라고 명명했으며, 광고가 빙 도메인을 통해 전달되어 의심을 피하게 만듭니다. 사용자가 광고를 클릭하면, 광고는 구글 광고 리디렉션을 거쳐 빙의 클릭 추적 엔드포인트로 이동한 후, 악성 코드가 삽입된 소수의 웹사이트로 전달됩니다. 이 악성 웹사이트는 최종적으로 macOS 사용자를 속여 악성 명령을 실행하게 만드는 가짜 클로드 다운로드 페이지로 연결합니다.

최종 페이로드 전달 과정에서 공격자는 설치 단계처럼 보이는 명령어를 통해 실제로는 악성 명령을 실행하도록 유도합니다. 예를 들어, 사용자가 설치 명령을 복사하려 할 때 실제로는 Base64로 인코딩된 `lake-90[.]com`으로 연결되는 명령어가 클립보드에 삽입되어 실행됩니다. 이 과정에서 악성 코드는 다운로드된 파일을 macOS Z shell(zsh)로 파이프하여 실행함으로써 시스템에 침투하게 됩니다.

이러한 공격은 악성 코드가 실제 클로드 설치 URL과 동일한 것처럼 보이게 하여 보안 스캐너나 사용자가 악성 행위를 탐지하기 어렵게 만듭니다. 보안 연구원들은 이 공격에 사용된 클릭픽스 도구 모음(AcSig)이 동일한 macOS 설치 명령어와 페이로드 구조를 사용한다는 것을 확인했으며, 이는 AI 플랫폼을 표적으로 하는 새로운 공격 표면을 보여줍니다.

Rust 코드를 C로 변환하면서도 전체 구조를 유지하는 도구인 Eurydice가 소개되었습니다. 이 도구는 기존에 C용 검증 및 규정 준수 도구를 사용하는 고신뢰성 소프트웨어 환경이나 Rust 컴파일러가 없는 환경을 겨냥합니다.

Eurydice의 핵심 목표는 기계어 생성을 위한 최적화보다는 원본 구조와 평가 순서를 보존하는 데 중점을 둡니다. 이는 코드의 논리적 구조를 그대로 유지하면서 안전성과 신뢰성을 확보해야 하는 시스템 개발자들에게 중요한 이점을 제공합니다.

따라서 Eurydice는 성능 최적화보다는 코드의 구조적 무결성을 유지하는 데 초점을 맞추어, 안전이 중요한 시스템에서 Rust 코드를 C 환경으로 이식할 때 발생할 수 있는 구조적 오류를 최소화하는 데 기여합니다.

미국 식품의약국(FDA)이 식품 접촉 물질에 적용되던 규제 임계치 면제(TOR) 규칙을 식품에 직접 첨가되는 성분까지 확대하는 규칙을 제안했습니다. 현행 면제 기준은 비발암성 물질에 대해 0.5ppb 미만으로 설정되어 있습니다.

이러한 규제 확대 제안은 포장재나 가공 장비 등 식품 접촉 물질에 적용되던 면제 기준을 식품 자체에 적용하려는 시도입니다. 하지만 공중보건 단체들은 일부 내분비계 교란 물질의 경우 이 기준보다 훨씬 낮은 수준에서 안전성 검토가 필요하다고 지적하고 있습니다.

따라서 FDA의 제안은 식품 안전 기준을 완화할 수 있다는 우려와 함께, 실제 내분비계 교란 물질의 위험성을 충분히 반영할지에 대한 논쟁을 불러일으킬 수 있습니다. 이는 식품 첨가물 및 화학물질의 안전성 기준 설정에 있어 규제 당국과 공중보건 전문가들 간의 입장 차이를 보여줍니다.

샌프란시스코 주택 시뮬레이터에 대한 내용으로, 이 기사는 도시 건설 게임의 세부 규칙과 시스템에 대한 검토를 다루고 있습니다. 이 게임은 플레이어가 도시의 주택 문제를 다루는 과정을 시뮬레이션하는 데 중점을 두고 있습니다.

기사 내용은 게임의 규칙서, 시청 기록, 지도, 높이 제한, 감독 구역, 주택 소유자 정치, 연합 정치, 주택 가치 등 복잡한 도시 및 사회 경제적 요소를 포함하고 있습니다. 이는 단순한 건설을 넘어 주택 시장의 역학 관계와 정치적 갈등을 깊이 있게 다루는 시뮬레이션임을 보여줍니다.

특히 주택 가치와 정치적 연합의 변화를 추적하는 시스템은 플레이어에게 도시 정책과 주택 문제에 대한 심층적인 이해를 요구합니다. 따라서 이 기사는 게임의 메커니즘과 복잡한 상호작용에 관심 있는 개발자나 시뮬레이션 팬에게 유용한 정보를 제공합니다.

애플이 개인화된 팟캐스트 스타트업 헉스(Huxe)로부터 팀을 채용하고 기술을 라이선스하는 계약을 체결했다고 공개했습니다. 이는 스타트업을 완전히 인수하지 않고 핵심 인재와 기술을 확보하는 리버스 인수합병(reverse acqui-hire) 방식에 해당합니다. 애플은 유럽 위원회에 헉스 AI의 특정 직원들에게 고용 제안을 하고 헉스의 지적 재산권에 대한 비독점 라이선스를 받기로 합의했다고 밝혔습니다.

헉스는 이전에 NotebookLM(현재 Gemini Notebook)의 AI 생성 팟캐스트 기능 개발에 참여했던 개발자들이 설립한 회사였습니다. 헉스는 5월 21일 서비스를 중단하고 앱을 스토어에서 제거하며 사용자 데이터를 삭제하는 방식으로 문을 닫았습니다. 이러한 리버스 인수합병은 대기업이 스타트업을 직접 인수하는 것보다 반독점 심사를 덜 받으면서 AI 인재와 기술을 확보할 수 있는 수단으로 주목받고 있습니다.

이러한 움직임은 애플이 자신의 팟캐스트 앱에 유사한 개인화된 오디오 기능을 추가하려는 시도와 관련이 있습니다. 이는 스포티파이가 자체적으로 AI 기반 팟캐스트 생성 기능을 공개한 직후에 이루어졌다는 점에서 주목됩니다. 다만, 애플은 고용 제안을 받은 직원들이 이를 수락했는지 여부나 애플의 구체적인 계획에 대해서는 공개하지 않았습니다.

미국 여러 주에서 자가 거주 주택에 대한 재산세 감면 정책이 시행되면서 공공 서비스 비용 부담이 재분배되고 있습니다. 이 정책에 따라 학교나 경찰 등 공공 서비스 비용 부담이 상업용 부동산 소유자, 다른 지방세, 그리고 주정부 재원으로 옮겨지고 있습니다.

이는 주택 소유자들의 재산세 부담을 완화하고 지방 정부의 재정적 자원을 확보하기 위한 조치입니다. 특히 코로나19 이후 주택 가치가 상승하여 자산이 늘어난 소유자들은 재산세 인상에 대해 반발하고 있으며, 이러한 정책 변화는 주택 시장과 부동산 투자에 영향을 미칠 수 있습니다.

이러한 재산세 감면 및 재분배는 주택 소유자들에게 직접적인 세금 부담을 줄여주는 효과가 있지만, 부동산 시장 전반의 재정 구조와 자산 가치 평가에 어떤 영향을 미칠지에 대한 논의가 진행 중입니다. 따라서 투자자들은 주택 소유 및 임대 관련 세금 정책 변화를 고려하여 시장 동향을 분석할 필요가 있습니다.

일본의 게임 쇼인 '타케시 성(Takeshi's Castle)'은 1986년부터 1990년까지 도쿄방송시스템(TBS)에서 방영된 인기 프로그램입니다. 이 쇼는 코미디언 타케시 키타노(비트 타케시)가 성주 역할을 맡아 출연자들이 그에게 도달하기 위해 어려운 신체적 도전을 극복해야 하는 내용을 담고 있습니다. 이 프로그램은 단순한 엔터테인먼트를 넘어 신체적 도전과 고통을 포함하는 게임 쇼 장르에 영향을 미치며 전 세계 대중문화에 큰 영향을 미쳤습니다.

'타케시 성'은 일본에서 시작하여 국제적으로도 큰 반향을 일으켰으며, 다양한 미디어 콘텐츠로 확장되었습니다. 이 쇼는 2005년 TBS의 50주년 기념 특별 라이브 방송을 통해 부활되었고, 2023년에는 아마존 프라임 비디오를 통해 리부트되어 재탄생했습니다. 특히 2023년 리부트에서는 독일-일본 배우인 스바루 키무라가 참가자들의 공동 리더로 참여하며 새로운 요소를 더했습니다.

이 프로그램은 133편의 원본 에피소드를 보유하고 있으며, TV 시리즈 외에도 1986년의 비디오 게임, 1999년 다큐멘터리 등 다양한 관련 미디어 작품이 존재합니다. 이러한 다층적인 콘텐츠는 '타케시 성'이 단순한 TV 쇼를 넘어 문화적 현상으로 자리 잡게 한 배경이 됩니다.

은행들이 자신이 보증했던 AI 데이터 센터 부채를 떠넘기려 하고 있습니다. JPMorgan, Morgan Stanley, SMBC, MUFG 등 주요 은행들이 오라클(Oracle)과 관련된 텍사스와 위스콘신 데이터 센터 프로젝트에 묶인 380억 달러의 건설 부채를 분산시키기 위해 노력하고 있습니다. 이는 은행들이 AI 관련 노출에 대한 내부 한도에 직면하면서 가장 위험한 부분을 외부 투자자에게 이전하려는 움직임입니다.

이러한 움직임은 은행들이 AI 인프라 대출에 대한 위험을 재조정하고 있다는 신호입니다. 과거 은행들은 오라클, 메타 등 AI 관련 빌드아웃에 대한 대출을 보증하는 경쟁을 벌였으나, 이제 일부 은행들은 이러한 부채를 할인된 가격으로 비은행 구매자에게 판매하여 위험을 해소하려 하고 있습니다.

이러한 부채 분산 시도는 시장의 근본적인 우려를 반영합니다. 오라클의 신용 디폴트 스왑 비용이 2009년 수준으로 상승하고, 하이퍼스케일러 기업들의 채권 매도 물량이 줄어드는 등 AI 관련 자산에 대한 신용 시장의 회의론이 커지고 있습니다. 결국 데이터 센터 자금 조달에 대한 위험 프리미엄이 상승하면서 위험 없는 이자율이 높아졌고, 이는 데이터 센터 자금을 조달하려는 모든 주체에게 더 큰 비용으로 작용하고 있습니다.

DistroKid가 UMG의 소송에 대응하여 음악을 삭제했다는 사실이 확인되었습니다. 레이블은 세입(DistroKid)이 "AI 슬롭 파이프라인"을 만들었다고 주장하며 소송을 제기했습니다.

이러한 소송에 대해 아티스트들은 통보 없이 작품이 제거되었다며 소셜 미디어를 통해 불만을 제기하고 있습니다. DistroKid는 The Verge와의 인터뷰에서 이러한 삭제 조치가 UMG의 주장에 대한 직접적인 대응이라고 확인했습니다.

실제로 음악가인 맥가이어(McGwire)는 자신의 노래 여섯 곡이 스트리밍에서 제거되었다고 보고했습니다. 그는 DistroKid로부터 삭제에 대한 사전 또는 사후 통보가 없었음을 언급했습니다.

이는 AI 관련 콘텐츠의 배포 및 저작권 문제에 직면한 플랫폼과 아티스트들에게 중요한 맥락을 제공합니다. 비AI 작품들까지 이러한 정리 과정에 휩쓸리고 있다는 아티스트들의 주장이 제기되고 있습니다.

엔비디아가 미국 기반의 '오픈' 모델 스타트업인 Reflection AI 인수를 논의하고 있습니다. 이 소식은 AI 모델 개발 및 상업화 분야에 큰 영향을 미칠 수 있어 개발자 커뮤니티에서 주목하고 있습니다.

Reflection AI는 오픈 소스 모델을 기반으로 하는 스타트업으로, 이는 AI 모델 접근성과 커스터마이징에 중점을 둔 개발자들에게 중요한 의미를 가집니다. 엔비디아의 이번 움직임은 하드웨어 공급업체가 오픈 모델 생태계에 적극적으로 참여하여 소프트웨어 및 모델 접근성을 통합하려는 전략적 방향을 보여줍니다.

이번 논의는 AI 인프라와 모델 개발 간의 통합이 가속화될 것임을 시사하며, 향후 오픈 모델 생태계가 엔비디아의 기술 스택 내에서 어떻게 자리 잡을지에 대한 개발자들의 관심이 높아질 것입니다. 다만, 구체적인 인수 조건이나 최종 결과에 대해서는 아직 확정되지 않았으므로 향후 진행 상황을 지켜볼 필요가 있습니다.

C 표준 위원회가 정의되지 않은 동작(Undefined Behavior, UB)을 줄이기 위한 작업을 진행하고 있습니다. 현재 진행 중인 C2y 초안은 기존 표준에 포함된 약 100개의 UB 항목 중 45개를 제거하는 것을 목표로 합니다.

정의되지 않은 동작이 존재하는 프로그램은 표준이 특정 요구사항을 부과하지 않기 때문에 컴파일러가 공격적인 최적화를 수행할 수 있습니다. 이로 인해 컴파일러가 수행하는 최적화 결과와 개발자가 기대하는 프로그램의 실제 동작 사이에 불일치가 발생할 수 있습니다.

이러한 변화는 개발자가 코드를 작성하고 컴파일러의 동작을 이해하는 방식에 중요한 영향을 미칩니다. 표준의 명확성을 높여 개발자가 예측 가능한 환경에서 코드를 작성할 수 있도록 하는 것이 핵심 목표입니다.

브로드 인스티튜트와 UMass Chan Medical School이 개발한 프리온 단백질 표적 siRNA 후보물질이 첫 인체 시험에 돌입했습니다. 이 후보물질은 프리온 단백질을 표적으로 삼는 것을 목표로 하며, 현재 1상 임상시험이 PRiSM에서 진행 중입니다.

이번 임상시험은 후보물질의 안전성, 내약성, 그리고 적절한 용량을 평가하는 데 중점을 두고 있습니다. 이 연구는 프리온 질환 치료제 개발에 있어 새로운 분자 치료 접근법을 제시한다는 점에서 주목받고 있습니다.

해당 후보물질은 동일한 siRNA 두 개를 연결하여 만든 이가성 siRNA 구조를 가지고 있습니다. 이 구조는 프리온 단백질 생성 과정을 조절하는 데 사용되며, 질병의 근본적인 메커니즘을 표적으로 하는 치료제 개발 가능성을 보여줍니다.

거대 언어 모델에서 체인-오브-사고(Chain-of-Thought) 프롬프팅은 추론을 가능하게 하지만, 설명이 검증하기 어렵고 생성 비용이 높으며 항상 충실하지 않다는 문제가 있습니다. 이에 본 연구는 모델이 자유로운 추론 대신 실행 가능한 계산 그래프를 생성하도록 하는 구조적 체인-오브-사고(Structural Chain-of-Thought) 프레임워크를 제안합니다. 최종 답변은 이 그래프를 결정론적으로 실행함으로써 얻어집니다.

모델 훈련은 구조적 타당성, 답변의 정확성, 그리고 참조 그래프와의 노드 중복성을 보상하는 그래프 기반 강화 학습을 사용하여 진행됩니다. 이 방법은 표준 GRPO 및 체인-오브-사고 지도 학습 방식과 비교하여 5개 벤치마크와 4가지 모델 패밀리에 걸쳐 일관되게 더 높은 정확도를 보였습니다.

실험 결과, 제안된 방법은 생성 길이를 표준 방식보다 최대 5~6배까지 줄일 수 있습니다. 또한 충실도 실험을 통해 이 접근 방식으로 훈련된 모델은 체인-오브-사고 추론에서 흔히 나타나는 사후적 합리화 대신 생성된 그래프로부터 답변을 도출하는 경향을 보였습니다. 이는 모델이 추론 과정을 구조적으로 기반하여 답변을 생성하게 함으로써 설명의 신뢰도를 높이는 데 기여합니다.

새로운 모델인 RELAGRAM(Recursive Latent Graph Model)은 잠재적 재귀(latent recursion) 개념을 그래프 조합 최적화 문제에 적용하여 차량 경로 문제(CVRP)를 해결하는 새로운 접근 방식을 제시합니다. RELAGRAM은 CVRP 인스턴스를 엣지 토큰으로 인코딩하고, 이를 재귀적으로 업데이트하는 컴팩트한 트랜스포머를 사용하여 토큰의 잠재 표현을 갱신합니다. 최종적으로 출력 헤드는 정답 상태를 엣지 히트맵으로 매핑하며, 이를 통해 자기회귀 디코더가 실행 가능한 해답을 구성합니다.

CVRP-100 인스턴스에서 0.53M 파라미터를 가진 RELAGRAM은 기존 PyVRP 참조 모델 대비 탐색 방식에 따라 13.4%, 9.8%, 8.3%의 격차를 달성했습니다. 이는 탐색 기법(탐욕적 디코딩, 8배 대칭 증강, 256 후보 검색)에 따른 성능 차이를 보여줍니다. 또한, CVRP-100으로만 학습된 RELAGRAM은 CVRP-500과 CVRP-1000으로 제로샷 일반화를 달성했으며, 256 후보 검색 조건에서 각각 15.6%와 21.7%의 격차를 보였습니다.

이러한 결과는 잠재적 재귀가 신경망 기반 라우팅 문제 해결에 유망한 접근 방식임을 입증합니다. RELAGRAM은 잠재적 재귀를 그래프 조합 최적화에 성공적으로 통합하여 신경망 라우팅 분야에서 새로운 가능성을 열어줍니다.

PFAS 규제 문서를 기반으로 구조화된 정보를 추출하는 것은 중요하지만 매우 어려운 작업입니다. 관련 사실들은 길고 법률적으로 밀도가 높은 텍스트에 흩어져 있으며, 추출된 사실의 출처 추적 가능성은 검증을 위해 필수적입니다. 환경 및 건강 영향에 대한 인식이 높아지면서 PFAS 관련 규제 문서가 크게 확장되어 제조사와 정책 입안자에게 해석상의 어려움을 주고 있습니다.

이러한 문제를 해결하기 위해 연구진은 PFAS 규제 문서에서 구조화된 정보 추출을 위한 벤치마크인 RegExtract를 소개합니다. 이 벤치마크는 20개 미국 주 문서와 46개 규제를 포함하여 총 488개의 인간 주석이 달린 필드 인스턴스를 기반으로 하며, 총 976개의 항목을 포함합니다. 연구진은 물질 정의, 허용 용도, 제품 면제와 같은 핵심 요소를 대상으로 하는 유형화된 다중 필드 스키마를 정의하고 규제 텍스트에 맞춘 출처 인식 평가 지표를 제안했습니다.

오픈 소스 및 클로즈드 소스 LLM을 사용하여 프롬프팅 전략, 문서 압축 방법, 스키마 분할 접근 방식을 실험한 결과, 문서 식별 필드는 여전히 어려움을 보였으나 필드별 몇 가지 예시(few-shot examples)를 사용하면 추출 성능이 향상됨을 발견했습니다. 이 연구는 유해 물질 식별, 질의응답 및 규정 준수를 위한 AI 도구의 기반을 마련합니다.

이 연구 결과는 위험 물질 식별, 질의응답 및 규정 준수 모니터링을 위한 AI 도구 개발에 중요한 토대를 제공합니다. 관련 코드와 데이터는 GitHub에서 공개되어 있습니다.

지도 학습 작업에 흔히 사용되는 특징 추출 기법인 무작위 주방 싱크의 가중 합(Weighted sums of random kitchen sinks, W-RKS)은 추출된 많은 무작위 특징들의 중복성과 비효율성이라는 주요 단점을 가지고 있습니다. 이 논문은 다중 클래스 분류 문제에서 이러한 중복성을 줄이는 효율적인 방법을 탐구합니다.

연구진은 특징 선택을 순차적 중첩 모델 선택 문제의 변형으로 공식화하고, 성공적 경험 초과 위험 차이 최대화(Successive Empirical Excess Risk Difference Maximization, SEED-MAX) 알고리즘을 도입했습니다. 이 알고리즘은 경험적 위험을 재귀적으로 계산하여 가장 간결하면서도 유용한 특징 집합을 식별합니다. 또한 SEED-MAX 알고리즘을 통해 올바른 특징 선택 확률에 대한 분석적 하한선을 도출했으며, 이 확률은 훈련 데이터셋 크기를 늘림으로써 1에 근접하게 만들 수 있습니다.

추가적인 가지치기 속도를 높이기 위해 SEED-MAX가 유지하는 특징들을 피셔 검정(Fisher test, F-Test)을 사용하여 평가했습니다. UCR 시계열 분류 데이터셋에 대한 경험적 평가 결과, 피셔 검정을 SEED-MAX와 순차적으로 적용하면 분류 정확도의 손실이 거의 없이 약 92퍼센트의 가지치기 비율을 달성했습니다. 이 방법론의 구현체는 GitHub에서 제공되고 있습니다.