읽을 가치가 있는 기사만, 짧고 또렷하게.

AI 에이전트의 권한 위임 문제를 해결하기 위해 GitHub에서 Pigeon이라는 시스템이 개발되었습니다. Pigeon은 에이전트가 수행할 수 있는 작업에 대한 서명된 접근 권한인 'Pigeon Pass'를 제공하여, 하위 에이전트가 부적절하게 권한을 확장하거나 민감한 리소스에 접근하는 것을 방지합니다.

이 시스템은 에이전트에게 API 키 전체를 부여하는 대신, 특정 작업과 리소스에 대한 제한된 권한만을 부여하는 방식으로 작동합니다. 개발자는 `grant` 기능을 통해 에이전트에게 특정 작업(예: 배포, PR 열기)과 환경(예: 스테이징 환경)에 대한 권한을 명시적으로 설정할 수 있습니다.

실제로 에이전트가 특정 도구를 실행하려고 할 때 `verify` 함수를 통해 해당 작업이 허용되었는지 확인하여 권한 위반을 차단합니다. 만약 에이전트가 부여받은 권한 범위를 벗어나려 하면 시스템은 거부하며, 이는 권한 상승(Privilege Escalation) 시도를 효과적으로 막아줍니다.

Pigeon은 에이전트의 정체성(Identity)과 그들이 할 수 있는 권한(Authority)을 분리하여 관리함으로써, 에이전트의 잠재적인 위험 범위를 제한하고 보안 경계를 설정하는 데 중점을 둡니다. 이는 AI 기반 개발 워크플로우에서 에이전트의 행동을 안전하게 통제하는 데 중요한 기반을 제공합니다.

그래프 신경망(GNN)의 알려진 실패 모드인 오버스무딩은 메시지 전달의 이질적인 역학을 포착하지 못하는 전역 집계 측정에 의존하는 기존 진단 방법의 한계를 드러냅니다. 실제 그래프는 뚜렷한 커뮤니티 구조를 가지며 메시지 전달이 두 가지 시간 척도로 작동하기 때문에, 표현이 커뮤니티 내에서는 빠르게 붕괴되지만 커뮤니티 간 분리는 지속되는 현상이 발생합니다. 이는 내부 커뮤니티 표현이 구별 불가능해지는 동시에 커뮤니티 간 분리가 유지되는 현상으로, 연구진은 이를 에코 챔버 효과(Echo Chamber Effect)라고 명명했습니다.

이러한 효과를 정량화하기 위해 연구진은 커뮤니티 멤버십에 따라 쌍별 거리를 분류하는 에코 챔버 지수(Echo Chamber Index, ECI)를 도입했습니다. ECI는 전역 에너지가 감소하는 동시에 커뮤니티 간 분리가 유지되는 상황을 식별하며, 특징 유지 메커니즘이 에코 챔버를 보존할 수 있음을 보여줍니다. 특히 이 현상의 결과는 레이블 구조에 따라 달라지는데, 커뮤니티가 클래스와 일치할 경우 노드 분류를 예리하게 만들 수 있지만, 그렇지 않을 경우 동일한 붕괴가 분류를 더 어렵게 만듭니다.

이러한 분석을 바탕으로 연구진은 커뮤니티 간 집계를 분리하고 레이블 구조로부터 그 균형을 학습하는 경량 플러그인인 커뮤니티 인식 분할 전파(Community-Aware Split Propagation, CASP)를 제안했습니다. CASP는 다양한 백본 GNN에서 호모필릭 및 헤테로필릭 설정 전반에 걸쳐 성능을 개선하며, 결과적으로 다양한 백본 GNN의 성능을 향상시킵니다.

애플의 개편된 스마트폰 비서인 시리 AI의 베타 버전에 대해 깊은 인상을 받았던 경험을 공유합니다. 이 글은 시리 AI의 최종 출시가 다가옴에 따라 해당 기술에 대한 인식이 어떻게 변화하는지를 다루고 있습니다.

글쓴이는 베타 버전 시리 AI에 매료되었으나, 정식 출시가 임박하면서 시리 AI가 존재한다는 사실조차 잊어버렸다고 언급합니다. 이는 사용자 경험이 출시 단계에 따라 어떻게 변화하는지에 대한 개인적인 관찰을 보여줍니다.

이러한 경험은 새로운 AI 기능이 사용자에게 제공되기 전 베타 테스트 단계에서 어떤 기대와 실망이 발생할 수 있는지에 대한 맥락을 제공합니다. 개발자 및 사용자들은 최종 제품 출시 과정에서 소프트웨어의 인식과 기대치가 어떻게 조정되는지 주목할 필요가 있습니다.

노드 수준 궤적이 비정상적이지만 노드 간 및 특징들 사이에서 안정적인 관계가 유지되는 다변량 그래프 신호 예측은 어려운 과제입니다. 오류 보정 표현에서 장기적인 평형 복원과 단기적인 과도 전파는 서로 다른 예측 역할을 가지므로 공통의 교차 특징 기하학을 공유할 필요가 없습니다.

본 논문은 역할별 예측 기하학을 도입하여 이러한 문제를 해결합니다. 방향성 장기 관계는 추정된 평형 좌표에 작용하고 방향성 단기 관계는 지연된 차이에 작용하도록 정의합니다. 장기 응답은 그래프 전파 전에 평형 좌표를 혼합하는 반면, 단기 응답은 그래프 필터링된 과도 설계를 사용합니다. 또한 직접적인 다중 시간 지표 추정기는 인접한 시간 간격에 걸쳐 예측 보정을 결합합니다.

시간적 교차 적합 및 Frisch-Waugh-Lovell 부분링아웃 기법을 사용하여 선택된 엣지에 그래프-시간 백본에 대한 조건부 예측 해석을 제공합니다. 장기 연산자는 평형 부분 공간을 통해 우측 요인화되어 소스 공통 추세 방향을 소멸시킵니다. 실험 결과, 제안된 예측기는 모든 심어진 장기 관계(20/20), 모든 심어진 단기 관계(20/20), 그리고 두 역할 패밀리(10/10)를 모든 이중 실현화에서 복원했습니다.

네 가지 실제 벤치마크에서 제안된 예측기는 세 데이터셋에서 G-VARMA 백본보다 성능이 좋았으며, 다섯 배 금융 벤치마크에서 모든 25 폴드 시간 범위 비교가 유리한 결과를 보였습니다.

예측형 재밍에 대응하는 적응형 주파수 도약(Adaptive frequency hopping)은 모델 불확실성과 정책 노출이라는 두 가지 문제를 동시에 해결해야 합니다. 운영 체제에 따라 컨텍스트 손실 관계가 달라질 수 있으며, 지속적인 도약 패턴은 공격에 취약한 고확률 채널을 노출할 수 있습니다.

이에 연구진은 모델 적응 및 위험 제약 기반의 적대적 컨텍스트-밴딧 프레임워크인 D-PACT-AFH를 제안합니다. 이 프레임워크는 Tsallis-FTRL 마스터를 사용하여 전역 선형 학습기와 분할된 지역 학습기를 결합하고 모델 클래스를 온라인으로 선택합니다. D-PACT-Hit은 채널별 한계 피트 위험을 모델 선택에 통합하며, D-PACT-Safe는 슬롯당 위험 예산을 강제하기 위해 최소 쿨백-라이블러 투영을 적용합니다.

연구진은 비선점 공격 하에서의 추정기 유효성, 더 나은 고정 기반에 대한 오라클 분해, 그리고 Safe 투영에 대한 정확한 조건부 위험 보장을 확립했습니다. 다양한 채널 체제와 재밍 유형에 걸친 실험 결과는 효과적인 모델 적응과 통제 가능한 고이득-위험 상충 관계를 입증합니다.

구체적으로 D-PACT-AFH는 관찰 가능한 전환 하에서 지역 학습기의 이득의 95.5%를 회복하며, 부정적 제어 환경에서 그 성능 저하의 77.7%를 방지하는 것으로 나타났습니다. 이는 적응형 주파수 도약 시스템에서 성능과 위험 관리를 동시에 달성할 수 있음을 보여줍니다.

누수나 세탁기 넘침 같은 문제를 스마트하게 감지하는 센서가 생활의 불편함을 줄여줍니다. 이러한 스마트 수분 센서는 문제를 더 빠르게 발견하고 해결할 수 있도록 돕는 역할을 합니다.

최근에는 이러한 스마트 수분 센서 기술이 가정 내 배관 문제나 가전기 문제 발생 시 즉각적인 알림을 제공하여 피해를 최소화하는 데 중점을 두고 있습니다. 특히 2026년 기준으로 가장 우수한 성능을 보이는 제품들을 비교하는 내용이 다뤄지고 있습니다.

이러한 제품들 중에는 Moen, Phyn, TP-Link와 같은 브랜드들이 포함되어 있으며, 사용자는 각 제품의 성능과 설치 용이성 등을 고려하여 최적의 스마트 센서를 선택할 수 있습니다.

Zig 개발자를 위한 간결한 명령줄 인자 파서인 zopt가 소개되었습니다. 이 도구는 애플리케이션이 요청할 때마다 명령줄 인자 배열인 argv를 탐색하는 기능을 제공합니다. 이는 복잡한 인자 처리 로직을 애플리케이션 코드에 위임하여 파서 자체는 간결하게 유지하는 것을 목표로 합니다.

zopt는 Zig 표준 라이브러리의 std.process.Args를 얇게 감싸는 래퍼 역할을 수행합니다. 즉, 도움말 작성, 오류 처리, 값 부재 시 처리, 기본값 설정과 같은 복잡한 인자 처리 로직은 개발자가 직접 애플리케이션 코드 내에서 구현하도록 설계되었습니다.

이러한 접근 방식은 파서의 복잡성을 줄이고, 인자 처리의 세부 사항을 애플리케이션의 비즈니스 로직에 맞게 유연하게 조정할 수 있게 합니다. 개발자는 zopt를 사용하여 짧은 플래그나 긴 플래그 등을 효율적으로 관리하며 명령줄 인자를 처리할 수 있습니다.

양식 연어의 영양 가치가 과거만큼 높지 않을 수 있다는 새로운 연구 결과가 나왔습니다. 전 세계적으로 지방이 많은 생선을 섭취하라는 식단 조언이 소비 수요를 높여 양식 연어 생산을 증가시켰는데, 현재 소비되는 연어의 대부분인 약 70퍼센트가 양식으로 사육되고 있습니다.

미국 농무부의 식생활 지침은 주당 최소 8온스의 생선을 섭취하고 심장 건강에 좋은 오메가-3 지방산이 풍부한 연어를 선택할 것을 권고합니다. 그러나 USDA 과학자들이 이끈 새로운 연구에 따르면, 양식 연어에 포함된 이러한 지방산의 수치가 상당히 감소한 것으로 나타났습니다.

이러한 결과는 미국 심장 협회 등 관련 기관의 권고 사항이 현재의 영양 상태를 반영하지 못하고 구식이며 불충분할 수 있음을 시사합니다. 따라서 소비자와 건강 관련 기관은 양식 연어의 실제 영양 수준에 대한 새로운 과학적 데이터를 고려하여 권고 사항을 재검토할 필요가 있습니다.

미국 여론조사에 따르면 데이터 센터에 대해 압도적인 다수의 미국인이 반대하고 있습니다. 이러한 상황에서 중국은 기술 리더들과 그 동맹 세력에게 완벽한 희생양 역할을 하고 있습니다.

하지만 이러한 주장이 사실로 입증될 만한 증거는 아직 부족한 상태입니다. 이는 데이터 센터에 대한 대중의 반감과 지정학적 갈등이 어떻게 정치적 논쟁으로 활용되는지를 보여줍니다.

따라서 데이터 센터 관련 논의에서 중국을 언급하는 것은 증거 기반의 접근이 필요하며, 실제 문제의 본질에 집중해야 한다는 점을 시사합니다.

물리적 모델과 합성 모델은 동일한 편미분 방정식(PDE) 기반 시스템의 상호 보완적인 측면을 설명할 수 있지만, 서로 다른, 때로는 파편화된 관측값을 받습니다. 이 논문은 이러한 상황에서 Bi-Objective HYCO(Bi-HYCO)라는 협력 프레임워크를 제안하는데, 이는 두 표현(representation)과 각 표현의 국소적인 관측 목표를 모두 유지하면서 레이블이 없는 상호작용 지점에서 예측된 상태를 결합하는 방식입니다. 이 상호작용 지점은 측정값이 없으며 데이터에 추가되지 않고 공통 상태 공간 내에서 통신 메커니즘을 제공합니다.

이 프레임워크는 두 기준을 벡터 값 객체로 구성하고 가중 스칼라이제이션을 통해 계산적 실현을 제공합니다. 고정된 상호작용 지점을 갖는 결정론적 공유 관측 알고리즘에 대해, 제시된 쿠르디카-로야시예비치(Kurdyka-Lojasiewicz) 유형의 가정 하에서 전체 교대 시퀀스의 충분한 감소와 유한한 길이를 증명합니다. 이는 알고리즘이 혼합 임계점(mixed critical point)으로 수렴함을 의미합니다.

실험 결과는 이 방법이 파라미터와 상태 재구성에 미치는 영향을 평가했습니다. 타원 전송(Elliptic transmission) 및 2차원 나비에-스토크스(Navier-Stokes) 실험을 통해 노이즈 및 스칼라이제이션 효과, 그리고 PINN/XPINN 참조를 검증했습니다. 추가적인 분석(Ablations) 결과, 집합(aggregation)을 유지하면서 상태 상호작용을 제거할 경우, 특히 나비에-스토크스 문제에서 파라미터 복구 능력이 저하됨을 보여줍니다.

Mac에서 진행된 회의 내용을 단순히 녹취록으로 남기는 대신, 회의 중 실시간으로 작업 초안을 작성해주는 서비스 Keen Bean이 출시되었습니다. 이 앱은 회의 내용을 기반으로 작업 목록, 결정 사항, 기술 사양 초안, 다이어그램, 화면 목업 등을 즉시 생성하여 사용자가 회의를 마친 후 바로 작업에 착수할 수 있도록 돕습니다.

Keen Bean의 핵심은 녹취록을 제공하는 것을 넘어, 대화가 진행되는 동안 자동으로 작업과 의사결정을 정리하고 초안을 작성하는 데 있습니다. 특히 녹취 과정에서 데이터가 외부 서버를 거치지 않고 사용자의 Mac 내에서 처리되어 개인 정보 보호를 극대화하며, 모든 결과물은 사용자의 파일 시스템에 Markdown과 JSON 형태로 저장됩니다.

이 서비스는 컨설턴트, 솔루션 설계자, 창업가 등 회의 내용을 문서화해야 하는 전문가들을 대상으로 하며, 구독 모델을 통해 AI 사용량(음성 인식 및 모델 처리)을 포함한 캡된 키를 제공합니다. 사용자는 구독 기간 동안 AI 사용량 제한을 관리할 수 있으며, 언제든지 구독을 취소해도 생성된 모든 파일과 작업 초안은 사용자 소유로 유지됩니다.

최고의 게이밍 의자는 사실 사무용 의자라는 주장이 실사용 테스트를 통해 제시되었습니다. 이 기사는 게이밍 환경에서 특정 의자가 제공하는 편안함과 기능에 대해 재고하고, 일반적인 사무용 의자가 더 나은 선택일 수 있음을 시사합니다.

기사에서는 현재까지 진행된 실사용 테스트를 바탕으로 게이밍 의자와 사무용 의자의 실제 성능을 비교 분석한 결과를 제시하고 있습니다. 이는 단순히 게임 플레이에 초점을 맞춘 의자보다는 장시간 착석과 인체공학적 측면을 고려한 사무용 의자가 더 적합하다는 점을 강조합니다.

따라서 게이밍 기어를 구매하려는 사용자들은 단순히 디자인이나 기능에만 집중하기보다는 실제 사용 환경과 신체에 미치는 영향을 고려하여 의자를 선택해야 합니다. 이 테스트 결과는 게이밍 장비뿐만 아니라 일상적인 작업 환경에서의 편안함도 중요하게 다루고 있습니다.

LLM이 대신 작성한 공개 글은 독자가 기대하는 진정성과 신뢰를 훼손하여 글을 통해 독자를 모으려는 목적 자체를 무너뜨릴 수 있습니다. 글쓰기는 단순히 생각을 전달하는 것을 넘어 생각을 검증하고 정제하는 복잡한 과정입니다.

만약 글쓴이가 직접 만들지 않은 문장을 독자만 애써 이해해야 하는 상황이 발생한다면 작가와 독자 사이의 신뢰 관계에 심각한 균열이 생길 수 있습니다. 이는 콘텐츠의 본질적인 가치와 작가의 진정성에 대한 근본적인 질문을 던집니다.

따라서 공개 콘텐츠에 인공지능의 개입 정도와 그 투명성을 명확히 하는 것이 중요합니다. 독자는 글의 출처와 과정에 대한 이해를 바탕으로 콘텐츠를 평가하며, 이는 결국 글쓰기 행위의 의미와 신뢰도에 직접적인 영향을 미칩니다.

단일 시점 연합 그래프 학습(One-shot federated graph learning, FGL)은 서버가 매우 압축된 정보로부터 클라이언트 기여도를 추정해야 하는데, 기존의 볼륨 기반 가중치 방식은 데이터 양은 고려하지만 클라이언트 간의 연결 구조를 간과하는 한계가 있습니다. 이에 본 논문은 토폴로지 인식 클라이언트 차별화를 도입하는 구조 엔트로피 기반 그래프 확산 생성 방법인 SPIRE를 제안합니다.

SPIRE는 차수 분포 구조 엔트로피를 사용하여 차수-질량 분산의 간결한 기술을 제공하고 이를 통해 구조적 클라이언트 가중치를 도출합니다. 이는 데이터 볼륨을 넘어 그래프 토폴로지의 차이를 설명하는 귀납적 편향을 제공하여 클라이언트 기여도를 더 정확하게 반영합니다. 또한 서버에서 그래프 확산 모델을 사용하여 가중치가 부여된 클라이언트 프로토타입을 조건으로 가짜 그래프를 합성하며 추가적인 클라이언트 측 훈련 없이 의미론적 및 구조적 정보를 포착합니다.

생성된 가짜 그래프는 분리 합집합 융합을 통해 조립되어 전체 그래프 신경망을 훈련하는 데 사용됩니다. 일곱 가지 실제 그래프 데이터셋에 대한 광범위한 실험 결과, SPIRE는 기존 방식 및 단일 시점 FGL 방법보다 일관되게 우수한 성능을 보였습니다. 특히 이 방법은 이질적인(비-IID) 설정과 그래프 교란 설정에서 특히 강력한 성능 향상을 입증했습니다.

블록 확산 추측 디코딩(Block diffusion speculative decoding)은 LLM 추론 효율성을 개선하기 위해 미래 토큰 블록을 병렬로 제안하고 타겟 모델을 통한 단일 순방향 패스로 검증하는 방식을 제안합니다. 그러나 기존 방법들은 승인된 접두사만 유지하고 거부된 접미사를 버리기 때문에 해당 위치에 사용된 계산이 후속 초안 작성 라운드에 이익을 제공하지 못하며, 작성자가 미래 토큰에 대한 표현을 처음부터 반복적으로 재구성해야 하는 문제가 발생합니다.

연구진은 거부 결정은 토큰을 확정할 수 있는지 여부만을 결정할 뿐이며, 거부된 위치의 검증기 표현(verifier representations)은 후속 예측에 유용한 정보를 제공할 수 있다는 점을 관찰했습니다. 이러한 관찰을 바탕으로 연구진은 검증기 정보가 초안 작성 라운드 전반에 걸쳐 흐를 수 있도록 하는 간단하면서도 효과적인 프레임워크인 DFlow를 제안했습니다. DFlow는 추가적인 타겟 계산 없이 거부된 접미사에 대해 타겟 검증기가 생성한 은닉 상태를 재사용하여 후속 초안 작성을 안내합니다.

이러한 정보 흐름을 효과적으로 학습하기 위해 DFlow는 이전 예측에서 얻은 검증기 표현을 후속 예측에 다시 피드백하는 자체 조건 훈련 전략을 도입했습니다. 다양한 벤치마크에서 Qwen3 모델에 대한 실험 결과는 DFlow가 DFlash보다 초안 품질과 수용 길이를 일관되게 개선함을 보여줍니다.

미국 연방 항소법원은 미시시피주 잭슨 시가 주민들에게 납 오염수를 마시게 한 소송을 기각하는 판결을 확정했습니다. 이 소송은 시 정부가 주민들에게 물의 독성에 대한 정보를 고의로 숨기고 끓여 마시라는 통보를 통해 문제를 악화시켰다고 주장하며 주민들의 헌법상 신체적 온전함 권리를 침해했다고 제기했습니다.

판결에 반대했던 도널드 트럼프 임명 판사인 커트 엥겔하르트 판사는 정부의 모든 잘못에 대한 구제책이 헌법에 명시되어 있지 않으며, 공중 보건 위기 중 공무원으로부터 진실된 정보를 받을 헌법적 권리는 없다고 지적했습니다. 이는 미국 헌법이 이러한 주장을 뒷받침하기에 충분하지 않다는 의미입니다.

이 사건은 잭슨 시가 2015년부터 상수도 시스템 내에서 높은 납 수치를 발견했음에도 불구하고 6개월 동안 주민들에게 침묵을 지키며 오염 사실을 알리지 않았다는 점이 핵심입니다. 이로 인해 주민들은 위험한 물을 계속 마셨고, 2022년 소송에 따르면 일부 주민들의 자녀들이 납 중독 진단을 받았습니다.

한편, 이러한 법적 판결은 트럼프 행정부가 깨끗한 물 관련 보호 조치를 약화시키려는 움직임과 맞물려 나왔으며, 환경보호청(EPA)이 깨끗한 물법을 희석하기 위한 보충 규칙을 발표하면서 환경 단체들의 비판을 받고 있습니다. 이는 미국 내에서 공중 보건 위기 시 물 안전과 정보 공개의 권리가 어떻게 다루어지는지에 대한 중요한 맥락을 제공합니다.

재귀적 초해상도(SR)는 이미지를 반복적으로 모델에 피드백하여 확대하는 방식으로 극단적인 배율의 초해상도를 구현하지만, 필요한 소스 해상도가 기하급수적으로 증가함에 따라 깊은 스케일에서의 정답 데이터 확보가 어려워 예측이 감독되지 않는 문제가 발생합니다. 이 문제를 해결하기 위해 OracleZoom이라는 온-폴리 정책 증류에서 영감을 받은 참조 제약 프레임워크가 제안되었습니다.

OracleZoom은 마지막 정답 증거를 감독 경계를 넘어 유지하며 궤적을 학습하는 방식으로 작동합니다. 직접적 및 교차 스케일 감독은 검증 가능한 콘텐츠를 제약하고, 참조 없는 품질 목표는 해결되지 않은 세부 사항을 안내합니다. 또한 KL 제약된 사전 학습된 잠재 표현은 품질 기반 표류를 제한하며, EMA 일관성은 감독 경계를 안정화시킵니다.

이 방법론을 일곱 가지 데이터셋에 적용한 결과, OracleZoom은 확대 스케일 전반에 걸쳐 최첨단 SR 품질을 달성했으며, 평균 0.713 CLIPIQA를 기록했습니다. 특히 더 깊은 스케일에서 더 큰 성능 향상을 보였고 환각 현상을 현저히 줄이는 데 성공했습니다. 관련 코드, 데이터, 모델은 제공된 링크에서 확인할 수 있습니다.

몬테카를로 트리 탐색(MCTS)은 결정론적 환경의 온라인 계획에서 성공을 보였으나, 특히 연속적인 상태-행동 공간을 가진 확률적 마르코프 결정 과정(MDP)으로 확장하는 데는 여전히 많은 어려움이 남아 있습니다. 기존 방법들인 HOOT 등은 연속 공간을 다루지만 비정상적이고 확률적인 환경에서 이론적 보장이 부족한 로그 탐색 보너스에 의존합니다.

최근 POLY-HOOT와 같은 방법은 결정론적 MDP에서 수렴을 달성하기 위해 다항식 보너스 항을 도입했지만, 확률적 MDP에 대한 유사한 이론은 아직 개발되지 않았습니다. 이에 본 논문에서는 연속적이고 확률적인 MDP를 위해 새로운 MCTS 알고리즘인 $\Algname$을 제안합니다. $\Algname$은 연속 행동 공간의 비정상성을 해결하기 위해 값 백업 연산자로 거듭제곱 평균(power mean)을 통합하고 다항식 탐색 보너스를 결합합니다.

이러한 이론적 분석을 통해 $\Algname$은 방문된 궤적의 수 $n$에 대해 $\mathcal{O}(n^{-\zeta})$의 다항식 속도로 수렴함을 입증하며, 여기서 $\zeta$는 $(0, 1/2)$의 값을 가집니다. 이는 POLY-HOOT의 비점근적 수렴 보장을 확률적 환경으로 확장하는 것을 의미합니다. 실험 결과는 확률적 작업에서 $\Algname$의 효과를 입증하며 연속적이고 확률적인 영역에서 이 알고리즘이 효과적임을 보여줍니다.

소스 코드 검토를 우회하는 트러스팅-트러스트 공격이 컴파일러가 아닌 GNU strip 유틸리티에서도 가능함을 실증했습니다. 이 공격은 소스 코드를 검사하거나 생성, 수정하지 않고 완성된 ELF 파일을 변환하는 방식으로 작동합니다.

공격의 범위는 시스템 전체로 확장되어 NixOS 부트스트랩 단계부터 최종 환경에 이르기까지 감염이 이어지는 것을 보여주었습니다. 이는 개발자가 소스 코드를 통해 시스템의 무결성을 보장한다고 가정하는 방식에 근본적인 의문을 제기합니다.

따라서 개발 환경에서 ELF 파일의 변환 과정이나 배포판 전체의 무결성을 관리하는 데 있어, 소스 코드 검토를 우회하는 새로운 형태의 보안 위협에 대해 주의해야 합니다. 이 공격은 최종 결과물에 대한 신뢰를 무너뜨릴 수 있는 잠재력을 가지고 있습니다.

생성 모델을 이용한 계획은 가능한 한 적은 시뮬레이션 호출로 상태의 가치를 추정하는 것을 목표로 합니다. SmoothCruiser는 엔트로피 정규화된 벨만 백업의 부드러움을 활용하여 문제에 독립적인 복잡도 $\widetilde O(\varepsilon^{-4})$를 달성하지만, 추정기는 1차까지만 고려합니다.

연구진은 SmoothCruiser 유형 계획기의 샘플 복잡도 지수가 국소 테일러 나머지(local Taylor remainder)의 차수 $\beta$에 의해 결정됨을 보였습니다. 이는 오라클 복잡도를 $\widetilde O(\varepsilon^{-(2+2/(\beta-1))})$로 나타내며, 1차 경우 $\beta=2$는 SmoothCruiser를 복원하고, 2차/3차 나머지인 $\beta=3$에서는 $\widetilde O(\varepsilon^{-3})$의 복잡도를 달성합니다.

이러한 고차 복잡도 영역에 도달하기 위해 행동 분포에 대한 최적 운송(optimal-transport) 평활화된 벨만 백업을 사용했는데, 이는 닫힌 형태, 정책 경사, 리프시츠 헤세(Lipschitz Hessian)를 가지며 편향 없는 교차 곱 추정치를 허용합니다. 그 결과로 얻어진 SecondOrderSmoothCruiser는 고정된 OT 매개변수에 대해 $\widetilde O(\varepsilon^{-3})$의 오라클 복잡도를 달성합니다.

연구는 OT, 엔트로피 정규화, 비정규화 목표 간의 관계를 명시적인 정규화-편향 경계(regularization-bias bounds)를 통해 연결합니다. 이는 복잡한 계획 문제에서 더 효율적이고 정확한 가치 추정 방법을 제공할 수 있음을 시사합니다.