쌓인 기록에서 찾기
무엇을 찾으세요? 날짜를 몰라도 됩니다. 제목·Key Point·요약·태그를 한꺼번에 뒤집니다.
검색 범위 2026년 8월 13일 (목) 부터 2026년 11월 22일 (일)까지 5067건
15건 · "예측 모델"조건 지우기 ×
001 00:11 ▲ 21 · 댓글 3 위성 이미지로 도시의 에너지 소비를 합성하는 AI 모델 도시 에너지는 2050년 탄소중립 목표와 UN 지속가능발전목표 7, 11 달성에 필수적이지만, 기존 연구는 미래 도시용 생성 모델 부재, 월별 에너지 데이터 부족, 동적 에너지 생성의 어려움 등 한계가 있다. AI · 머신러닝 · DySENSE: Dynamic Spatiotemporal ENergy Synthesis and Emulation with Satellite Imagery
Key Point 도시 에너지 데이터가 부족한 상황에서 AI를 이용해 합성 데이터를 생성함으로써 에너지 예측 모델의 성능을 크게 높일 수 있음을 보여주며, 탄소중립 도시 계획에 필요한 새로운 접근법을 제시한다.
핵심 요약
도시 에너지는 2050년 탄소중립 목표와 UN 지속가능발전목표 7, 11 달성에 필수적이지만, 기존 연구는 미래 도시용 생성 모델 부재, 월별 에너지 데이터 부족, 동적 에너지 생성의 어려움 등 한계가 있다. 논문은 위성 이미지와 월별 건물 에너지 소비 지도를 함께 생성하는 멀티모달 생성형AI 'DySENSE'를 제시한다. 정적인 도시 형태와 단기 동적 에너지 소비를 분리하여 모델링하며, 도시 토지이용을 조건으로 새로운 도시 이미지와 에너지 지도를 함께 생성할 수 있다. 전체 요약 7문장 읽기 → 002 09:11 ▲ 101 · 댓글 51 1형 당뇨병 환자가 혈당 예측 모델 15개 비교 공개 1형 당뇨병 환자가 혈당을 2시간 앞서 예측하는 모델 15개를 직접 훈련·테스트한 결과를 GitHub에 공개했다. AI · 머신러닝 · Show HN: I have trained 15 blood glucose forecasting models on my own data
Key Point 1형 당뇨병 관리를 AI로 개선하려는 개인 연구자의 시도이자, 의료 시계열 예측 문제에서 경량 트랜스포머가 대규모 기초 모델·고전 방식과 어떻게 경쟁하는지를 실제 데이터로 보여준다.
핵심 요약
1형 당뇨병 환자가 혈당을 2시간 앞서 예측하는 모델 15개를 직접 훈련·테스트한 결과를 GitHub에 공개했다. 저자의 모델은 트랜스포머 기반 경량 모델(D16, 31k 파라미터)이며, DILATE와 MSE 손실 함수 두 가지 버전이 있고 합성 데이터로 사전 훈련 후 LoRA 어댑터로 미세 조정된다. 저자 개인 데이터(35일, 9764개 예측)에서는 XGBoost와 LightGBM(RMSE 22.4 mg/dL at 60min)에 이어 D16 DILATE+LoRA가 3위(22.8)였고, 통계적으로 최고 성능 모델과 구별되지 않았다. 전체 요약 12문장 읽기 → 003 03:11 ▲ 14 · 댓글 4 단백질 진화에 최적화된 뮤테이션 예측 모델 공개 깊은 변이 스캐닝 데이터로 사전학습한 ProTEUS는 서열, 진화, 구조 정보를 MutationFormer 아키텍처로 통합 표현하며, 변이체를 잠재 공간의 상태로, 돌연변이를 그 기능적 결과를 예측하는 행동으로 모델링한다. AI · 머신러닝 · ProTEUS: A mutation-resolved world model for closed-loop protein evolution
Key Point 단백질 설계에서 실험 스크리닝으로는 탐색 불가능한 조합적 돌연변이 공간을 효율적으로 탐색하는 AI 모델이 나왔으며, 실제 실험으로 10배 이상의 성능 개선을 입증했다.
핵심 요약
깊은 변이 스캐닝 데이터로 사전학습한 ProTEUS는 서열, 진화, 구조 정보를 MutationFormer 아키텍처로 통합 표현하며, 변이체를 잠재 공간의 상태로, 돌연변이를 그 기능적 결과를 예측하는 행동으로 모델링한다. 기하학적 제약 강제를 통해 AlphaFold3 대비 10배 이상 빠른 물리적으로 타당한 전체 원자 예측 엔진을 개발해 많은 변이체 탐색을 지원한다. 실험 피드백 루프를 통해 단백질 활성 예측을 반복 개선하면서 원하는 표현형으로 진화를 유도한다. 전체 요약 6문장 읽기 → 004 21:12 ▲ 81 · 댓글 3 단일 예측 모델로 AI 에이전트의 모든 의사결정 통합 에이전트가 수행하는 도구 선택, 후보 평가, 추론 검증 같은 이질적인 의사결정을 조건부 예측으로 통일하는 DPDM 아키텍처를 제시했다. AI · 머신러닝 · Decoupled Predictive Decision Making: A Shared Conditional Predictor for Agents
Key Point 에이전트 시스템에서 여러 의사결정 작업을 단일 예측 모델로 처리할 수 있음을 보여, 향후 에이전트 아키텍처의 설계 방향에 영향을 미칠 수 있습니다.
핵심 요약
에이전트가 수행하는 도구 선택, 후보 평가, 추론 검증 같은 이질적인 의사결정을 조건부 예측으로 통일하는 DPDM 아키텍처를 제시했다. 언어 모델이 현재·과거 정보를 의미 표현으로 인코딩하고, 일반 목적 조건부 예측기(LimiX-2)가 증거에서 작업 목표를 예측한다. 사전학습된 모델의 신경망 파라미터를 고정한 채 배포 환경의 실제 데이터만으로 문제별 예측을 수행하며, 도구·후보·추론 모두 동일한 입출력 인터페이스를 공유한다. 전체 요약 7문장 읽기 → 005 21:11 ▲ 20 · 댓글 2 시각 기초 모델, 공간 인식 능력 충분한가 시각 기초 모델이 카메라 시점의 연속 영상에서 보이지 않는 영역을 추적하고 장면을 이해하는 공간 표현을 제공하는지 검증하는 연구다. AI · 머신러닝 · Probing Spatial State Representations in Visual Foundation Models
Key Point 시각 기초 모델이 이미지 인식만 하는 게 아니라 실제 로봇처럼 보이지 않는 물체를 추적하고 행동을 계획할 수 있는 공간 인식 능력이 있는지 정량적으로 검증한 첫 시도로, 현재 모델들의 한계를 명확히 드러낸다.
핵심 요약
시각 기초 모델이 카메라 시점의 연속 영상에서 보이지 않는 영역을 추적하고 장면을 이해하는 공간 표현을 제공하는지 검증하는 연구다. 연구팀은 10개 모델의 표현을 공간 구조·물체 지속성·예측적 공간 업데이트·행동 유도 등 4가지 수준의 능력으로 평가했다. 보이는 장면에서 높은 정확도를 보이는 모델도 물체 지속성(보이지 않는 물체 추적)과 미래 특성 인출(future-feature retrieval)에서는 성능이 떨어진다. 전체 요약 7문장 읽기 → 006 03:11 ▲ 19 · 댓글 2 스스로 개선하는 AI, 살아있는 환경에서 진화한다 현재 대부분의 AI 시스템은 고정된 파라미터로 출시되어 외부 업데이트로만 개선되지만, 이상적인 시스템은 자신의 경험으로부터 계속 개선되는 '순환적 자기개선(RSI)' 능력을 가져야 한다. AI · 머신러닝 · Evolving with Open Worlds: Towards Recursive Self-Improvement for Future Forecasting
Key Point 모델이 외부 업데이트 없이 자신의 경험으로 지속적으로 개선되는 구조를 실제로 구현해 검증했으며, AI 훈련 패러다임의 근본적 전환을 제시한다.
핵심 요약
현재 대부분의 AI 시스템은 고정된 파라미터로 출시되어 외부 업데이트로만 개선되지만, 이상적인 시스템은 자신의 경험으로부터 계속 개선되는 '순환적 자기개선(RSI)' 능력을 가져야 한다. 미래 이벤트 예측에 기반한 자기진화 에이전트 시스템 'DeepEvolve'를 개발했으며, 에이전트가 지속적으로 변화하는 환경과 상호작용하면서 경험을 내재화·외재화하여 개선된다. 검증 가능한 작업을 합성하는 살아있는 환경과 각 예측 뒤의 추론 궤적을 능력으로 변환하는 순환진화 엔진으로 구성되며, 탐색을 예측으로부터 분리하여 파라미터 수준의 진화를 오염 위험이 있는 라이브 환경에 맞춘다. 전체 요약 8문장 읽기 → 007 12:11 ▲ 33 · 댓글 2 재귀적 자기개선 프레임워크로 코드부터 신약까지 성능 지속 개선 RSI-Anything은 JEPA-Anything 기반의 도메인 범용 프레임워크로, 예측 세계 모델을 사용해 행동과 학습 데이터 선택을 안내한다. AI · 머신러닝 · RSI-Anything: Unlocking Recursive Self-Improvement with World Models
Key Point 기존 외부 피드백 없이 정책이 스스로 개선되는 자기개선 프레임워크가 코드 수리부터 신약 발견까지 다양한 분야에서 실질적 성능 향상을 입증했기 때문이다.
핵심 요약
RSI-Anything은 JEPA-Anything 기반의 도메인 범용 프레임워크로, 예측 세계 모델을 사용해 행동과 학습 데이터 선택을 안내한다. 정책 진화 중 세계 모델 예측의 신뢰성 저하 문제를 해결하기 위해 관찰된 피드백을 통해 정책이나 워크플로우 개선과 조건부 세계 모델 적응을 진행한다. 성분·호환성 검사를 통해 업데이트된 정책-모델 쌍의 유지 여부를 결정한다. 전체 요약 8문장 읽기 → 008 21:11 ▲ 104 · 댓글 36 금융 시장 데이터를 생성 모델로 합성할 수 있을까 Jane Street 인턴이 자기회귀 확산 모델을 사용해 미국 주식 시장 데이터의 주문장 이벤트를 생성하는 생성 모델을 만들었다. AI · 머신러닝 · Can you use autoregressive diffusion to generate market data?
Key Point 시장 데이터를 직접 합성하는 생성 모델은 기존의 포인트 추정 방식과 달리 시장 미시구조의 구체적 이벤트까지 재현할 수 있어, 량자펀드의 백테스팅과 리스크 시뮬레이션 방법을 근본적으로 바꿀 수 있는 가능성을 보여준다.
핵심 요약
Jane Street 인턴이 자기회귀 확산 모델을 사용해 미국 주식 시장 데이터의 주문장 이벤트를 생성하는 생성 모델을 만들었다. 기존 예측 모델과 달리 가격 뿐 아니라 주문 타이밍, 취소, 체결 같은 구체적 이벤트까지 합성하는 모델을 목표로 했다. 시장 데이터는 이산적(주문 추가/제거)이면서도 연속적(가격, 타이밍 같은 고차원 변수)인 혼합 특성을 갖고 있어 모델링이 복잡하다. 전체 요약 10문장 읽기 → 009 15:13 ▲ 37 · 댓글 2 로봇 영상 예측 모델 DreamTrue, AgiBot World Challenge 2026 우승 로봇의 행동에 충실하고 물리적으로 타당한 영상 예측이 가능한 다중 시점·다중 로봇 대응 월드 모델 DreamTrue를 제시한다. AI · 머신러닝 · DreamTrue: Action-Faithful Robot World Model with Counterfactual Post-Training
Key Point 로봇 학습에서 행동 추종과 물리적 타당성이라는 두 가지 핵심 문제를 동시에 해결하는 기법이 실제로 결함률을 48%에서 6%로 낮췄으며, 국제 대회 우승으로 검증되어 로봇 월드 모델 발전에 중요한 진전을 보여준다.
핵심 요약
로봇의 행동에 충실하고 물리적으로 타당한 영상 예측이 가능한 다중 시점·다중 로봇 대응 월드 모델 DreamTrue를 제시한다. 기존 로봇 데이터셋으로 학습할 때 발생하는 두 가지 문제를 해결한다: 부정확한 캘리브레이션이 행동 추종을 방해하고, 실패 상호작용의 제한적 범위가 성공 편향을 만든다. 행동 궤적을 이미지 공간 조건으로 변환하고 오프라인 기하학 캘리브레이션을 도입해 다양한 로봇 체형 간 행동 추종을 개선한다. 전체 요약 8문장 읽기 → 010 15:13 ▲ 105 · 댓글 14 생물학 AI 모델 학습용 데이터 구축에 18억 달러 투자 Biohub, 미국 에너지부(DOE), 국립보건원(NIH), Google DeepMind, Isomorphic Labs, Meta 등이 참여해 AI 학습용 생물학 데이터를 생성·공개하기 위해 총 18억 달러를 투자하기로 발표했다. AI · 머신러닝 · AI-ready biological data: $1.8B global commitment
Key Point 가상 세포 구축 같은 대규모 협력으로 생물학 AI 모델의 데이터 기초를 마련하려는 움직임이 전 세계 과학 연구와 신약 개발 속도를 크게 바꿀 수 있기 때문이다.
핵심 요약
Biohub, 미국 에너지부(DOE), 국립보건원(NIH), Google DeepMind, Isomorphic Labs, Meta 등이 참여해 AI 학습용 생물학 데이터를 생성·공개하기 위해 총 18억 달러를 투자하기로 발표했다. DOE는 5년간 5억 달러 이상을 투자해 측정·모델링·컴퓨팅에 나가고, NIH는 과거 5억 달러 이상 투자로 개발한 데이터셋과 리포지토리를 제공하며, Biohub은 이를 AI 학습용으로 표준화한다. Google DeepMind, Isomorphic Labs, Meta는 3억 달러를 투자해 가상생물학 이니셔티브(Virtual Biology Initiative)에서 멀티모달 데이터셋 및 생명 예측 모델 기술을 개발한다. 전체 요약 9문장 읽기 → 011 12:11 ▲ 140 · 댓글 2 완료된 경험으로 예측력 높이는 AI 학습법 제시 강화학습에서 보상이 없거나 희소할 때 에이전트가 학습 신호를 얻기 어려운 문제를 다룬 논문이다. AI · 머신러닝 · Self-Retrospection Distillation: Turning Post-hoc Experiences into Prior Foresight
Key Point 보상 신호가 부족한 강화학습 상황에서 과거 경험으로 예측력을 높이는 새로운 접근법은 장기 작업 에이전트와 추론 기반 AI 개발에 직결되는 개선 기법이다.
핵심 요약
강화학습에서 보상이 없거나 희소할 때 에이전트가 학습 신호를 얻기 어려운 문제를 다룬 논문이다. 기존 RLVR(검증 가능 보상 강화학습) 방식은 스칼라 보상만으로 신호를 만들어 그룹 상대 목표에서 모든 시도가 같은 보상받으면 실패한다. 저자는 "Self-Retrospection Distillation(SRD)" 기법을 제안해 이미 완료된 궤적(trajectory)의 정보를 사전 예측 학습에 활용한다. 전체 요약 8문장 읽기 → 012 18:30 ▲ 19 · 댓글 2 RAG 에이전트 평가 예산을 어떻게 배분할까 생성형 AI 모델이 정보를 찾아 답변하는 RAG 에이전트의 평가 비용을 효율적으로 배분하는 문제를 다룬 논문이다. AI · 머신러닝 · Agentic RAG Evaluation: Budget Allocation Across Questions, Trajectories, and Reads
Key Point RAG 시스템 평가에 투입할 제한된 예산을 질문, 탐색 경로, 반복 읽기 중 어디에 쓸지 결정하는 실증적 기준을 제시하므로, 대규모 언어모델 평가를 설계하는 연구자들이 의사결정할 때 직접 참고할 수 있다.
핵심 요약
생성형 AI 모델이 정보를 찾아 답변하는 RAG 에이전트의 평가 비용을 효율적으로 배분하는 문제를 다룬 논문이다. HotpotQA와 MuSiQue 데이터셋에서 회수 피드백 비교를 통해 3.4천만 토큰 예산에서 질문 커버리지를 넓히는 것이 다섯 번 반복 읽기보다 표준 오차를 33% 낮추고, 세 가지 탐색 경로보다 12.6% 낮춘다는 것을 측정했다. 저장된 예측 모델이 최적 배분을 4.0%(중첩 경로) 및 3.5%(질문만 사용) 범위 내에서 예측할 수 있음을 보였다. 전체 요약 6문장 읽기 → 013 03:11 ▲ 79 · 댓글 2 과학적 설명이 실험 예측을 얼마나 개선하는지 측정하다 연구 에이전트가 계획한 실험을 설명할 때, 그 설명이 예측 정확도를 실제로 높이는지 측정하는 방법을 제시했다. AI · 머신러닝 · Predictive Credit: Measuring What Scientific Explanations Add to Experimental Forecasts
Key Point 과학적 설명이 AI 예측을 실제로 개선하는지를 엄밀히 측정하려는 방법론을 제시하지만, 대부분의 테스트에서 설명의 효과가 증명되지 않았다는 점이 흥미롭다.
핵심 요약
연구 에이전트가 계획한 실험을 설명할 때, 그 설명이 예측 정확도를 실제로 높이는지 측정하는 방법을 제시했다. 같은 중재·예측자·결과를 가진 쌍 예측을 비교하되 설명과 맥락을 달리하여, 약속 이행·예측 이득·신호 습득을 추적하는 5가지 검증을 수행했다. 통제된 학습 환경의 336개 전망 상태, 독성 테스트 12개 지표, OpenML 24개 작업을 대상으로 평가했으나 신용도 점수 결정이 결론적이지 않았다. 전체 요약 8문장 읽기 → 014 00:11 ▲ 11 · 댓글 2 LLM이 발굴한 수학 정리의 '가치'를 판단하는 방법 LLM은 수십 년간 미결된 수학 문제를 풀 수 있게 됐지만, 생성된 정리가 실제로 흥미롭거나 유용한지는 불명확하다. AI · 머신러닝 · Learning to Discover Interesting Mathematics
Key Point LLM이 만드는 수학 정리 중 진짜 가치 있는 것을 자동으로 식별하고 선택하는 방법이 등장했으며, 이는 인간 개입 없이 수학 지식을 자동으로 확장할 수 있는 길을 열어준다.
핵심 요약
LLM은 수십 년간 미결된 수학 문제를 풀 수 있게 됐지만, 생성된 정리가 실제로 흥미롭거나 유용한지는 불명확하다. 연구팀은 정리의 '내재적 흥미도'를 정의했다: 증명의 길이를 명제의 길이로 나눈 비율로, 정리의 실제 유용성과 강한 상관관계가 있다. 증명 난이도를 주어진 전제 조건 하에서 예측하는 것이 흥미도와 유용성 지표를 계산하는 핵심 원시값임을 확인했다. 전체 요약 8문장 읽기 → 015 15:10 ▲ 109 · 댓글 66 하버드 연구팀, 자살 시도 일주일 전 예측 정확도 75% 달성 하버드대 매튜 녹 교수팀이 600명 이상의 고위험군 성인·청소년을 대상으로 한 연구에서 자살 시도의 75%, 자살 관련 사건의 87%를 일주일 전에 예측했다. 기타 · Harvard study predicts most suicide attempts a week in advance
Key Point 자살 시도를 며칠 단위로 예측 가능해지면 고위험군에 대한 조기 임상 개입 시점이 극적으로 바뀌고, 정신 건강 치료 시스템의 근본적인 재설계가 필요해진다.
핵심 요약
하버드대 매튜 녹 교수팀이 600명 이상의 고위험군 성인·청소년을 대상으로 한 연구에서 자살 시도의 75%, 자살 관련 사건의 87%를 일주일 전에 예측했다. 참여자들은 퇴원 후 앱으로 일일 최대 6회 설문을 받았고, 자살 충동·의도·저항력과 감정 상태(부정적, 절망감, 고립감, 초초함 등) 20개 문항에 답했다. 특히 초초함이 우울증보다 자살 위험의 훨씬 강한 지표로 나타났으며, 초초함 점수가 1점 증가할 때마다 자살 시도 가능성이 11% 증가했다. 전체 요약 5문장 읽기 →