읽을 가치가 있는 기사만, 짧고 또렷하게.

확률 미분 방정식(PDE)에 대한 불확실성 정량화(UQ)는 계산 과학 및 공학에서 매우 중요하지만, 기존의 스펙트럼 솔버는 차원의 저주 문제에 직면하며 기존 신경망 솔버는 확률적 구조를 무시하는 경우가 많았습니다. 이에 본 연구는 확률적 분리 가능 물리 정보 신경망(S$^{2}$-PINN)을 제안하며, 이는 학습 가능한 가우시안 공간 사전(spatial dictionary), 푸리에 시간 특징, 그리고 일반화된 다항 혼돈(gPC) 확률 기저를 사용하여 확률적 PDE의 해 $u(t,\mathbf{x},\mathbf{Z})$를 표현합니다.

S$^{2}$-PINN은 저차원적인 Canonical Polyadic(CP) 텐서 분해 코어를 통해 이 확률 기저들을 결합하며, 하이브리드 강형 및 gPC 투영 잔차 손실을 사용하여 학습됩니다. 이론적 분석 결과, 분리 가능한 클래스는 온건한 조건 하에서 $L^2$ 공간에서 조밀하며, 투영된 잔차는 확률적 갈러킨 제약 조건과 정확히 일치함을 보였습니다. 또한, 이 방법은 최소한의 파라미터로 학습되며, 미니 배치 투영 계수가 gPC 모드 수에 로그적으로 의존하고 직교성 페널티가 학습된 공간 사전의 조건화를 제어함을 입증했습니다.

네 개의 제조된 확률 PDE 벤치마크에 대한 평가에서 S$^{2}$-PINN은 다른 아홉 가지 기준 모델보다 평균 및 분산 정확도와 보정 능력에서 우수한 성능을 보였으며, 훨씬 적은 파라미터를 사용했습니다. 나아가 비제조된 포아송 및 달시 문제, 확률적 나비에-스토크스 문제, 고차원 확률 차원의 확산 스케일링 연구, 그리고 두 가지 확률적 역문제에 대한 추가 평가를 통해 제안된 구조의 일반화 능력을 확인했습니다.

이러한 결과는 확률적 분리 가능성이 물리 정보 신경망 UQ를 위한 효과적인 설계 원칙임을 뒷받침하며, 관련 실험 코드는 GitHub에서 확인할 수 있습니다.

파라마운트 스카이댄스(Paramount Skydance)의 데이비드 엘리슨 CEO는 다음 주에 워너 브로더 디스커버리와 1,100억 달러 규모의 합병을 완료하면 회사의 이름이 스카이댄스로 변경될 것이라고 발표했습니다. 엘리슨 CEO는 이 합병이 단순히 두 회사의 통합을 넘어 새로운 정체성을 부여하는 것을 목표로 했으며, 파라마운트와 워너 브로더의 주요 브랜드들이 계속 주목받을 수 있도록 하려는 의도라고 밝혔습니다.

이러한 합병 과정에서 중요한 법적 장애물이 해소되었습니다. 판사는 파라마운트가 계획된 인수와 관련하여 소송을 제기했던 캘리포니아 및 11개 주와 합의한 내용을 승인했습니다. 이로써 파라마운트는 거래를 가로막던 마지막 주요 허들을 통과하게 되었습니다.

합의 조건에 따라 파라마운트는 최소한의 요구 사항을 이행해야 하며, 이는 대규모 미디어 기업 간의 통합이 법적 절차를 통해 어떻게 진행되는지를 보여주는 사례입니다. 이 움직임은 미디어 산업 내에서 대형 기업들이 통합될 때 이름과 브랜드 정체성을 어떻게 관리하는지에 대한 전략적 시사점을 제공합니다.

테슬라는 미국 내 어려움에도 불구하고 전기차 판매 모멘텀을 유지하고 있습니다. 회사는 3분기에 480,000대 이상의 전기차를 판매했으며, 이는 전년 대비 감소했지만 긍정적인 방향으로 움직이고 있습니다. 이는 연초의 부진을 딛고 다시 강세를 보인 두 번째 분기였으며, 특히 연방 세금 공제 만료를 노린 미국 구매자들의 유입에 힘입어 기록적인 실적을 달성했습니다.

하지만 이러한 판매 감소는 여러 요인에 기인합니다. 테슬라는 몇 년간 신규 소비자 모델을 출시하지 않았고, 일론 머스크의 정치적 활동과 정부 효율성 부서의 구조조정 등이 영향을 미쳤습니다. 이에 따라 테슬라는 미국 시장의 손실을 만회하기 위해 유럽과 중국 등 다른 시장으로 판매를 확대하고 있습니다.

특히 유럽에서는 엄격한 배출 규제로 인해 전기차 채택이 더욱 확대되고 있으며, 테슬라는 독일 공장의 생산 능력을 확장하여 이러한 수요에 대응하고 있습니다. 또한, 테슬라는 사이버캡과 테슬라 세미 트럭과 같은 새로운 제품 개발에 집중하고 있으며, 이와 함께 옵티머스 휴머노이드 로봇 개발에도 박차를 가하고 있습니다.

복잡한 추론 질의는 방향성 비순환 그래프로 분해되어 이질적인 LLM에 분산함으로써 병렬 처리를 통해 지연 시간을 줄이고 더 작은 모델로도 복잡한 작업을 해결할 수 있습니다. 그러나 실제 환경에서는 특정 LLM이 주어진 하위 작업에 적합한지 사전에 알 수 없으며, 실행만으로는 출력의 정확성을 확인할 수 없습니다.

이에 연구진은 실행과 유료 검증을 결합한 온라인 프레임워크인 JOVE를 제안합니다. JOVE는 실행 LLM을 공동으로 할당하고 중간 출력을 검증하기 위해 선택하는 방식으로 작동하며, 검증은 비동기적으로 진행되어 향후 할당을 개선하는 데 사용됩니다. 따라서 시스템은 현재 실행 비용과 나중 학습을 위한 학습 사이의 균형을 맞춰야 합니다.

JOVE는 장기 예산과 쿼리당 지연 시간 제약 조건 하에서 확률적이고 초기에는 알려지지 않은 LLM 서비스 품질, 호출 비용, 실행 시간을 고려하여 이 균형을 최적화합니다. 이 프레임워크는 쿼리별 혼합 정수 선형 계획법(MILP)을 해결하여 실행 및 검증 결정을 내립니다.

온라인 학습을 통해 검증 피드백을 기반으로 작업에 따른 LLM 품질 추정치를 업데이트하며, 정보 이득 보너스를 통해 학습 가치를 할당 결정에 통합합니다. 이 접근 방식을 통해 JOVE는 네 가지 추론 벤치마크에서 표준 추론 기준선 대비 경쟁력 있는 정확도를 달성하는 동시에 평균 비용과 지연 시간을 최소 3.17배까지 줄였습니다.

에이전트의 검색 성능 측정을 위한 회사 지식 벤치마크가 공개되었습니다. 이 벤치마크는 실제 운영 데이터에서 추출된 1,000개의 평가 사례를 사용하여 다양한 검색 구현 방식의 성능을 측정합니다. 팀들이 실제 데이터에 대한 검색 성능을 객관적으로 측정할 수 있는 방법을 제공함으로써, 에이전트 시스템의 핵심인 검색(retrieval)의 개선을 돕는 것을 목표로 합니다.

벤치마크 결과에 따르면, 고정 검색(Fixed retrieval) 대비 에이전트 기반 검색(Agentic retriever) 중 Kapa Deep 방식이 시간당 0.65점의 검색 점수를 달성하며 약 5초 내에 결과를 도출합니다. 이는 단순한 검색 방식보다 더 나은 결과를 제공하지만, 시간 효율성 측면에서는 고정 검색보다 느리다는 점을 고려해야 합니다.

이러한 평가에서 검색의 품질을 측정하기 위해 완전성(Completeness), 최소성(Minimality), 출처 선호도(Source preference)와 같은 기준이 적용됩니다. 특히 출처 선호도는 문서의 권위(Source authority)와 최신성(Currency)을 기준으로 판단하며, 이는 에이전트가 정확하고 신뢰할 수 있는 정보를 바탕으로 추론하도록 하는 데 중요합니다.

기존의 공개 벤치마크가 법률이나 의학처럼 특정 도메인에 국한된 반면, 이 벤치마크는 개발자, 영업, 지원팀 등 다양한 실제 사용 사례에서 발생하는 복잡하고 이질적인 질의에 대응할 수 있도록 설계되었습니다. 따라서 실제 비즈니스 환경의 복잡한 지식 검색 요구사항을 반영하여 에이전트 시스템의 검색 능력을 평가하는 데 실질적인 기준을 제시합니다.

폐 초음파(LUS)는 일차 진료 수준에서 결핵(TB) 선별에 유용하지만, 레이블이 지정된 코호트가 작다는 제약이 있습니다. 반면 심장 초음파(Echocardiography)는 이러한 제약이 없으며, LUS와 동일한 초음파 이미징 물리학, 신호 처리 및 B-모드 외관을 공유합니다. 연구는 고자원 초음파 도메인에서 사전 학습된 인코더가 저자원 도메인에서도 유용한 표현을 유지하는지 탐구했습니다.

연구진은 세 가지 아키텍처를 포괄하는 열일곱 개의 인코더를 사용하여 이 질문에 답했으며, 이들 중에는 일반 비디오(V-JEPA2-L)와 심장 초음파 대응 모델(EchoJEPA-L)이 포함되었습니다. 인코더 선택만으로는 분류 성능을 해결하지 못했으며, 전체 모델 패밀리는 측정 해상도 2.71에 대해 2.50 퍼센트 포인트의 차이를 보였습니다.

그러나 인코더 자체보다 특징 조건화가 더 중요한 역할을 하는 것으로 나타났습니다. 인코더와 분류기 사이의 특징을 표준화하는 것은 평균 1.23 퍼센트 포인트 개선을 가져왔습니다. 이는 테스트 세트에서 모든 인코더가 기준 시스템보다 최대 2.57 퍼센트 포인트의 AUC(Area Under the ROC Curve)와 90% 민감도에서 79.3%의 특이도를 달성했음을 의미합니다.

결론적으로, 공유된 초음파 물리학만으로는 심장 초음파가 일반 비디오보다 더 생산적인 사전 학습 코호트라는 증거는 발견되지 않았습니다. 이러한 이점, 만약 존재한다면, 해당 코호트가 해결할 수 있는 수준보다 작습니다. 따라서 이 연구에서 나타난 효과는 인코더의 차이가 아니라 레이블이 지정된 코호트의 크기가 제한 요인임을 시사합니다.

멀티모달 대규모 언어 모델(MLLM)은 시각-언어 작업에서 강력한 성능을 보이지만, 레이어 간에 시각 정보와 텍스트 정보가 융합되는 내부 메커니즘은 여전히 충분히 이해되지 않았습니다. 본 연구는 두 가지 아키텍처 패러다임, 즉 연결(concatenation) 아키텍처와 네이티브 멀티모달 아키텍처를 가진 대표적인 MLLM들을 조사하여 이 융합 경로를 분석했습니다.

연구진은 정렬 분리(alignment decoupling), 어텐션 라우팅 및 엔트로피, 고유 차원(intrinsic dimensionality) 분석을 통해 교차 모달 정보가 어떻게 분포되고 특징 공간이 어떻게 재구성되는지를 탐구했습니다. 또한 인과적 개입 실험을 통해 해석을 검증하고 시각 CKA를 사용하여 플라톤 표현 가설을 조사했습니다.

이러한 분석을 통해 두 가지 뚜렷한 융합 경로가 밝혀졌습니다. 연결 모델은 텍스트를 먼저 처리하고 시각 정보를 나중에 통합하는 경로를 따르는 반면, 네이티브 모델은 시각-텍스트의 공동 적응(co-adaptation)과 특징 공간 재구성을 더 일찍 수행합니다. 이 연구는 멀티모달 융합을 이해하는 기계적 관점을 제공하며, 아키텍처에 기반한 멀티모달 표현 진단을 지원합니다.

최근 연구에 따르면 젊은 세대, 특히 어린이와 청소년들 사이에서 대장암 발생률이 증가하고 있으며 이는 성인에게 발생하는 대장암과는 다른 양상을 보인다고 밝혀졌습니다. 연구 결과, 21세 미만 환자들은 가족력이 거의 없었음에도 불구하고 공격적이고 진행된 종양을 가진 경우가 많았으며, 진단이 지연되는 경향을 보였습니다.

이러한 조기 발병 대장암은 진단이 늦어지면서 치명적인 결과를 초래하는 것으로 나타났습니다. 연구에 참여한 환자들 중 대다수는 이미 3기 또는 4기의 진행된 암이었으며, 치료 후 재발을 경험한 비율은 약 37%, 연구 기간 말까지 사망한 비율은 거의 절반인 45%에 달했습니다. 이는 젊은 환자들이 암 진단을 받기 전에 이미 종양이 원래 부위를 넘어 퍼진 상태였음을 시사합니다.

이러한 상황에서 어린이와 청소년들은 복통, 배변 습관 변화, 체중 감소, 직장 출혈 등의 증상을 보일 수 있으며, 의사들은 이러한 증상을 가질 때 암 가능성을 더 신중하게 고려해야 합니다. 연구자들은 이러한 젊은 환자들의 대장암 발생률 증가 추세가 가속화되고 있으며, 가공식품, 높은 비만율, 특정 감염 등이 원인일 수 있다고 지적합니다.

Cloudflare는 Ceramic.ai, Exa, Linkup과의 파트너십을 통해 AI Gateway를 통해 웹 검색 API를 통합한다고 발표했습니다. 이를 통해 개발자들은 AI Gateway, REST API 또는 Workers 바인딩을 통해 실시간 웹 컨텍스트를 모델 추론 호출에 주입할 수 있게 됩니다.

이 기능은 에이전트가 웹 정보를 검색하여 응답의 근거를 실시간 정보에 기반하도록 하여 모델의 지능을 향상시킵니다. 기존 AI 모델이 지식 마감 시점 이후의 최신 이벤트나 변화하는 API에 접근하기 어려웠던 문제를 해결하고, 에이전트가 더 빠르고 스마트하게 작동할 수 있는 동적인 컨텍스트 레이어를 제공합니다.

웹 검색 API는 AI Gateway의 제어 평면 역할을 하며, 사용자는 AI Gateway 크레딧을 사용하여 웹 검색을 소비하고 호출에 대한 로그를 수집할 수 있습니다. 또한, 기존 백엔드나 외부 서비스에서 HTTP 호출을 통해 직접 웹 검색 결과를 얻을 수 있는 REST 엔드포인트도 제공됩니다.

Cloudflare는 웹 검색 파트너들이 Cloudflare의 봇 크롤링 표준을 준수하도록 요구하며, 검색 결과에 크롤링된 콘텐츠의 위치 링크를 포함하도록 규정했습니다. 이는 더 공정하고 투명한 인터넷 환경을 조성하며, 개발자들이 신뢰할 수 있는 출처에서 검색 지식을 소비할 수 있도록 보장합니다.

의료 기록 관리 거인 에픽(Epic)이 환자 데이터 보안 위험을 해결하기 위해 제품 개발을 일시 중단했습니다. 이는 안트로픽(Anthropic)의 최첨단 사이버 보안 모델인 Mythos 배포 과정에서 발견된 보안 결함을 수정하기 위함입니다.

에픽은 이 보안 문제로 인해 MyChart 소프트웨어의 일부 고객 설정에서 외부인이 소프트웨어 로그에 침입 기록 없이 환자 기록에 접근할 수 있는 취약점이 발생할 수 있다고 밝혔습니다. 이 소프트웨어는 미국 전역의 병원과 의사 사무실에서 3억 2천만 건 이상의 환자 기록을 관리하고 있어, 이러한 취약점은 광범위한 환자 데이터에 심각한 영향을 미칠 수 있습니다.

에픽은 현재 이 문제를 해결하기 위해 개발을 중단하고 있으며, 보안 책임자들은 이 결함이 환자 기록을 탐지 없이 변경할 수 있는지 여부는 불확실하지만, 위험을 완화하기 위해 즉각적인 조치가 필요하다고 강조했습니다. 이러한 사건은 AI 도구를 사용하여 보안 취약점을 신속하게 발견하고 악용할 수 있게 되면서 데이터 유출 위험이 증가하고 있다는 점을 시사합니다.

최근 의료 및 기술 기업들은 랜섬웨어 공격과 데이터 유출로 인해 심각한 보안 위협에 직면해 있으며, 이는 의료 기록, 제약 데이터 등 민감한 건강 정보가 해커의 표적이 되고 있음을 보여줍니다. 따라서 개발 환경에서 AI 기반 보안 모델의 잠재적 위험을 고려하여 시스템 보호에 더욱 집중해야 합니다.

GPT-6 Astra가 agent-wow를 사용하여 월드 오브 워크래프트(WoW)를 처음으로 플레이하는 실험이 진행되었습니다. 이 실험은 LLM 기반 에이전트가 명시적으로 훈련받지 않은 시뮬레이션 환경에서 얼마나 잘 수행할 수 있는지 평가하는 데 중점을 둡니다. 에이전트-워는 컴퓨터 비전이나 직접적인 키보드/마우스 제어 없이 WoW 네트워크 프로토콜을 통해 게임 서버와 상호작용하는 플랫폼을 제공합니다.

이러한 실험 환경이 WoW에 적합한 이유는 게임이 장기적인 전략 계획과 단기적인 전술 실행을 모두 요구하기 때문입니다. 캐릭터 준비, 장비 제작, 길드 구성 등 복잡한 요구 사항을 충족시키고 레이드 보스를 공략하는 과정은 에이전트의 장기 전략 및 정밀한 실행 능력을 시험하는 데 이상적인 환경을 제공합니다.

에이전트-워는 에이전트가 모듈 시스템을 통해 필요한 기능을 구축할 수 있도록 허용하며, 이는 에이전트의 복잡성을 최소화합니다. 실험은 실제 WoW 서버가 아닌 오픈 소스 AzerothCore 프로젝트를 기반으로 한 개인 로컬 서버에서 진행되었으며, 에이전트는 벽을 통과하는 등의 맵 버그를 악용하는 결과도 보였습니다.

이번 실험은 에이전트의 잠재력을 평가하는 데 성공적인 첫걸음이었으며, 향후 단일 에이전트가 80레벨을 자율적으로 달성하거나 다중 에이전트가 협력하여 퀘스트를 완료하는 등의 질문에 답하는 데 중요한 통찰을 제공할 것입니다.

본 글은 1973년 하이름스(Halmos)의 논문을 바탕으로 본 노이만(von Neumann)의 역사와 개념에 대해 다루고 있습니다. 이는 현대 컴퓨터 구조의 근간이 되는 중요한 수학적, 역사적 배경을 탐구하는 내용입니다.

노이만 구조는 오늘날 우리가 사용하는 대부분의 컴퓨터가 채택하고 있는 기본적인 명령어 집합 구조와 데이터 처리 방식을 정의합니다. 이 구조는 프로그램과 데이터를 동일한 메모리 공간에 저장하고 처리하는 개념을 통해 컴퓨터 과학의 패러다임을 완전히 변화시켰습니다.

이 논문은 단순한 기술적 설명을 넘어, 컴퓨터가 어떻게 작동하는지에 대한 근본적인 이해를 제공하는 수학적 배경을 제시합니다. 따라서 컴퓨터 아키텍처나 정보 이론에 관심 있는 개발자들에게는 이 역사가 현대 컴퓨팅 시스템의 기반을 이해하는 데 중요한 맥락을 제공합니다.

12세기 베네치아의 콘스탄티노플 전쟁 실패는 세계 금융 시스템의 근본적인 변화를 가져왔습니다. 이 군사적 재앙은 단순히 지역적 사건을 넘어, 최초의 채권 시장이 탄생하는 결정적인 계기가 되었습니다.

이 사건은 군사적 충돌이 어떻게 장기적인 경제적 이해관계와 금융 상품의 발달로 이어질 수 있는지 보여주는 사례입니다. 당시의 정치적, 군사적 불안정은 위험을 분산하고 자금을 효율적으로 관리해야 할 필요성을 증대시켰고, 이는 오늘날 우리가 알고 있는 채권과 같은 금융 도구의 필요성을 촉발했습니다.

결국 이 역사적 사건은 전쟁의 결과가 단순한 영토 변화가 아니라, 자본 이동과 신용 시스템이라는 현대 금융의 기초를 형성하는 데 어떻게 기여했는지 이해하는 데 중요한 맥락을 제공합니다.

리비안의 R2 SUV 출시 덕분에 판매 기록을 경신하며 전기차 시장에서 주목받고 있습니다. 회사는 지난 분기에 19,751대의 차량을 생산하고 19,248대를 인도했으며, 이는 작년 같은 기간 대비 약 45% 증가한 수치입니다. 이는 R2 모델이 6월에 출시된 후 처음으로 달성한 판매 실적입니다.

리비안은 연말까지 R2 차량 2만 대에서 2만 5천 대를 판매하는 것을 목표로 하고 있으며, 이는 테슬라 모델 Y 다음으로 미국 역사상 가장 빠르게 판매되는 전기차 중 하나가 되는 것을 의미합니다. 또한 회사는 R1 라인업과 상업용 전기 밴을 포함하여 올해 총 6만 5천 대에서 7만 대를 판매할 것으로 예상하고 있습니다.

이러한 목표를 달성하기 위해 리비안은 생산 시설을 대폭 확장하고 있으며 조지아주 애틀랜타 외에 조지아주에 새로운 공장을 건설하여 향후 연간 30만 대 생산을 목표로 하고 있습니다. 리비안은 대량 시장에서 성공하기 위해 막대한 손실을 만회해야 하는 상황이며, 이 때문에 우버와의 계약을 통해 R2 SUV의 로보택시 버전을 개발하고 자율 주행 기술에 더 많은 투자를 하고 있습니다.

학습 경로 추천(LPR)을 위한 강화 학습(RL)은 두 가지 상호 연관된 난제에 직면해 있습니다. 첫째, 정책은 중간 피드백 없이 일련의 학습 개념에 전념해야 하므로, L에 대해 초지수적으로 증가하는 조합 탐색 공간을 생성하며 보상은 최종 단계에서만 제공됩니다. 둘째, 전문가 학습 경로는 희소 보상 강화 학습(sparse-reward RL)의 자연스러운 해결책이 될 수 있지만, 학생 로그는 학습자가 실제로 한 행동을 기록할 뿐 원하는 학습 경로를 기록하지 않기 때문에 교육 데이터에는 존재하지 않습니다.

이러한 난제를 해결하기 위해 연구진은 로봇 분야의 시뮬레이션 기반 시연 학습에서 레시피를 가져와 접근합니다. 지식 추적 시뮬레이터를 사용하여 진화적 탐색을 통해 학습자별 전문가 시연을 합성하고, 이러한 시연을 피드포워드 학습자로 추출하는 배포 없는 정책을 훈련합니다. 이 프레임워크인 EVOL은 비대칭 액터-크리틱을 사용하여 액터는 배포 현실적인 탐색을 전념하고 크리틱은 훈련 중 특권적인 시뮬레이터 상태를 활용합니다.

EVOL은 세 가지 데이터셋(ASSIST15, Junyi, EdNet; 39~189개 개념)과 경로 길이 L=5, 10, 20을 사용하여 8가지 기준선 방법(휴리스틱, 순차적, RL, 그래프 강화 RL, LLM 강화 방법)을 능가했습니다. 또한 세 가지 모방 전략(BC, AWR, DAPG)을 비교한 결과, 최종 성능은 특정 모방 목표보다는 진화적 전문가의 품질에 의해 결정됨을 보여줍니다.

Touché 2026은 표면적으로 인과 관계처럼 보이지만 실제로는 인과 관계를 부정하는 반인과적 주장(counter-causal claims)을 포함하는 뉴스 문장을 처리하는 인과성 추출 능력을 확장했습니다. 기존 시스템은 "원인"이나 "결과"와 같은 표면적 단서에 의존하여 이러한 문장을 인과적이라고 오분류하는 문제가 있었습니다.

이를 해결하기 위해 연구진은 반인과 뉴스 코퍼스(Countercausal News Corpus, CCNC)를 사용하여 문장의 인과성 판단(detection), 원인과 결과 범위 추출(extraction), 그리고 인과성의 극성(polarity) 레이블링이라는 세 가지 하위 작업을 정의했습니다. 특히, 추출 작업에서는 세 개의 RoBERTa-large BILOU+CRF 태거를 평균하여 토큰 수준 점수를 결합하는 앙상블 기법을 사용했습니다.

또한, 레이블된 반인과적 예제가 부족한 극성 레이블링을 위해 대규모 언어 모델을 사용하여 반인과적 표현 패턴을 생성하고 구조적 검사를 통과한 문장을 추가 학습 데이터로 활용했습니다. 이 시스템은 CCNC 테스트 세트에서 감지 작업에 대해 F1 0.869, 극성 작업에 대해 macro-F1 0.817을 달성했으며, 추출 작업에서는 0.728의 세분화 조정 F1 점수를 기록하여 기존 제출물 중 가장 높은 추출 점수를 얻었습니다.

대규모 PDE 사전 학습을 통해 신경 연산자(neural operators)의 일반화 능력이 향상되었으나, 기존의 PDE 기반 모델은 이질적인 동역학(heterogeneous dynamics)을 처리하는 데 어려움을 겪고 공유 표현이 지식 간 간섭을 유발하며, 혼합 전문가(MoE) 아키텍처는 전문가 중복성(expert redundancy) 문제에 직면해 있습니다. 이에 연구진은 대규모 PDE 사전 학습을 위한 스펙트럼 분리형 MoE 신경 연산자(SPEAR)를 제안하며 지식 기반 전문가 집계 전략을 도입했습니다.

SPEAR는 잠재 특징을 저주파 및 고주파 구성 요소로 분리하여 전이 가능한 동역학을 공유 모델링하고 PDE 특유의 패턴을 전문적으로 학습할 수 있게 합니다. 또한, 전문가 중복 문제를 해결하기 위해 데이터셋별 학습 지식과 라우팅 선호도를 기반으로 전문가 유사도를 측정하는 지식 기반 전문가 집계 전략을 설계했습니다. 이를 통해 유사한 전문가를 식별하고 통합하여 모델의 효율성과 일반화 능력을 동시에 확보했습니다.

열두 개의 PDE 데이터셋과 여러 다운스트림 벤치마크에 대한 실험 결과는 SPEAR가 사전 학습, 미세 조정, 전이 학습에서 우수한 성능을 보임을 입증합니다. 특히 이 집계 전략은 예측 정확도를 유지하거나 개선하면서 전문가 수를 50%까지 줄여, PDE 기반 모델에 대한 효율성과 일반화 능력 사이의 균형을 달성했습니다.

테슬라의 회복세가 속도를 늦추고 있다는 분석이 나왔습니다. 소비자들이 전기차 구매를 위해 만료되는 연방 세금 공제를 활용하며 차량 구매에 몰렸던 작년과 비교했을 때, 테슬라는 3분기에 더 적은 차량을 판매했습니다.

하지만 테슬라는 여전히 월스트리트의 예상치를 상회하는 실적을 기록하며 회복세가 여전히 궤도에 있음을 시사했습니다. 이 기간 동안 테슬라는 7월부터 9월까지 총 464,391대의 차량을 생산했는데, 여기에는 모델 3와 모델 Y 차량 457,387대와 사이버트럭, 사이버캡, 테슬라 세미 등 7,004대의 기타 차량이 포함됩니다.

이는 올해 초 모델 S와 모델 X가 단종된 상황에서 생산된 수치이며, 2025년 3분기 대비 약 3.8% 증가한 수치입니다. 이러한 판매량 감소에도 불구하고 테슬라가 예상치를 뛰어넘는 실적을 보였다는 점은 현재 시장 상황에 대한 복합적인 맥락을 제공합니다.

심하게 제약된 영상 역문제(ill-posed imaging inverse problems)를 해결하기 위해서는 측정으로 관찰 불가능하거나 약하게 제약된 이미지 구조를 복원해야 합니다. 확산 모델은 이러한 누락된 정보를 추론하기 위한 표현력 있는 학습된 사전 지식을 제공하며, 사후 샘플링은 역과정(reverse process)을 따라 측정 일관성을 통합합니다.

그러나 표준 확산 사후 샘플러는 이전 사후 보정에서 전달된 정보를 명시적으로 활용하지 않고 순간적인 측정 인식 추정치에 의존한다는 한계가 있습니다. 이에 본 논문은 연속 사후 융합 잡음 확산 널 공간 모델(Consecutive Posterior Fusion Denoising Diffusion Null-Space Models, CPF-DDNM)을 제안합니다. 이는 추가적인 재학습이나 잡음 제거기 평가 없이 연속적인 측정 인식 추정치를 융합하여 관찰 불가능한 이미지 구조의 확산 복원을 개선하는 추론 시간 전략입니다.

CPF-DDNM은 DDNM 내에서 이 원리를 구현하며, 범위/널 공간 분해를 통해 연속 융합이 측정으로 결정된 구성 요소를 보존하면서 사전 지향 널 공간 추정치에만 작용함을 밝혀냅니다. 이를 통해 CPF-DDNM에 대한 기하학적 해석과 최적의 시간 의존적 융합 계수를 특징짓는 국소 오차 분석을 제공합니다.

다양한 실험 결과는 희소 뷰 및 시뮬레이션된 저선량 컴퓨터 단층촬영, 그리고 의료 영상 초해상도화에서 DDNM보다 일관되게 개선된 성능을 보였으며, 확산 기반 역해석 솔버와 경쟁할 만한 성능을 입증했습니다.

최근 신용 부도 예측 분야에서 레이블이 부족하거나 늦게 도착하는 상황을 다루는 오픈 벤치마크인 PaMIR이 공개되었습니다. 이 벤치마크는 19개의 공개 데이터셋을 통합하여 신용 부도 예측에 대한 기준점을 제공하며, 이는 기존 연구에서 사용되던 8개 데이터셋 기준의 연구보다 훨씬 광범위합니다.

PaMIR은 아홉 국가의 124만 건 대출, 기업 및 카드 계좌 데이터를 포함하는 19개의 공개 데이터셋을 집대성합니다. 이 데이터는 누출 감사(leakage-audited)된 레시피를 사용하여 고정된 소스 스냅샷에서 재구성되었으며 재분배되지 않았다는 점이 특징입니다. 모델들은 반복적인 i.i.d. 분할 및 레이블 지연 스트림 환경에서 평가되며, 각 애플리케이션은 도착 시점에 점수가 매겨지고 AUC는 레이블 예산(label budget)으로 보고됩니다.

이 벤치마크는 레이블이 부족하거나 지연되는 실제 환경에서 모델의 성능을 평가하는 데 중점을 둡니다. 또한, 생성된 훈련 행을 테스트하는 합성 데이터 하네스(synthetic-data harness)를 제공하여 데이터 생성 과정의 신뢰성을 검증할 수 있게 합니다.

PaMIR은 현재 버전 0.4.0으로 공개된 살아있는 벤치마크이며, 모든 데이터셋에 대한 점수가 산출되지 않는 한 전체 데이터셋 평균은 제공되지 않습니다. 이는 개발자들이 레이블 제약 조건이 있는 복잡한 금융 리스크 예측 문제에 대해 보다 현실적이고 신뢰할 수 있는 평가 기준을 구축하는 데 기여할 것입니다.