쌓인 기록에서 찾기
무엇을 찾으세요? 날짜를 몰라도 됩니다. 제목·Key Point·요약·태그를 한꺼번에 뒤집니다.
검색 범위 2026년 8월 13일 (목) 부터 2026년 10월 30일 (금)까지 3636건
7건 · "추천 시스템"조건 지우기 ×
001 09:11 ▲ 10 · 댓글 2 언어 모델로 초고속 추천 시스템 구축 언어 모델의 풍부한 이해 능력을 활용하면서도 온라인 서빙 속도를 확보하기 위해 DuoLM이라는 프레임워크를 제안했다. AI · 머신러닝 · DuoLM: Fast and Effective Personalized Recommendation with Language Models
Key Point LLM의 이해력을 보존하면서 실제 프로덕션 환경에서 필요한 60배 수준의 처리 성능을 달성한 추천 시스템 최적화 기법으로, 대규모 온라인 서비스에서 언어 모델 활용의 현실적 경로를 보여준다.
핵심 요약
언어 모델의 풍부한 이해 능력을 활용하면서도 온라인 서빙 속도를 확보하기 위해 DuoLM이라는 프레임워크를 제안했다. 인코더 LLM이 오프라인에서 아이템의 간결한 표현을 학습하고, 개인화 랭커 LLM이 이를 사용자 이력과 피드백과 결합해 추천 점수를 계산한다. 두 모델을 추천 감독과 교사 증류를 통해 함께 학습해 정확도를 유지하면서 효율성을 높였다. 전체 요약 6문장 읽기 → 002 03:11 ▲ 31 · 댓글 2 추천 모델, 각 아이템별로 계산량 다르게 할당 기존 순차 추천 시스템은 사용자 상호작용 이력의 모든 아이템에 동일한 계산량을 할당하는데, 최종 예측에 미치는 영향이 크게 다르다는 문제가 있다. AI · 머신러닝 · Think Harder Where It Matters: Item-Level Adaptive Recursion for Sequential Recommendation
Key Point 추천 시스템의 계산 효율을 각 아이템의 중요도에 맞춰 동적으로 조정하는 새로운 접근법을 제시하며, 실제 모든 백본 아키텍처에서 성능 향상을 입증했다.
핵심 요약
기존 순차 추천 시스템은 사용자 상호작용 이력의 모든 아이템에 동일한 계산량을 할당하는데, 최종 예측에 미치는 영향이 크게 다르다는 문제가 있다. 논문은 두 가지 핵심 진단을 제시한다: (1) 동일 시퀀스 내 아이템들이 필요한 계산량이 큰 차이가 있으며, 대부분은 얕은 처리로 수렴하지만 일부 중요 아이템은 최대 깊이에서만 안정화된다. (2) 고정 할당은 최적이 아니어서 이미 수렴한 아이템의 계산 용량을 낭비하면서 동시에 전체 추천 품질을 손상시킨다. 이를 해결하기 위해 LoopRec을 제안한다. LoopRec은 단일 가중치 공유 블록을 반복 적용하고 각 반복 경계에 경량 게이트를 도입해 개별 아이템마다 계속 진행할지 종료할지 이진 결정을 내린다. 전체 요약 8문장 읽기 → 003 00:11 ▲ 39 · 댓글 2 다중 정답 처리로 LLM 추천 모델 학습 효율화 Reddit 같은 환경에서 추천 요청에 여러 정답이 나올 때 기존 Rank-GRPO는 훈련 예제당 하나의 응답만 선택하는데, 이는 학습 신호의 85%가 어떤 응답을 선택했는지에만 좌우되고 생성 목록의 질은 제대로 반영되지 않는 문제가 있다. AI · 머신러닝 · Many Right Answers, One Training Example: Removing Responder Noise from GRPO for LLM Recommenders
Key Point 여러 정답을 처리하는 방식이 LLM 추천 모델의 학습 효율을 크게 좌우하며, 제안된 방법이 기존 방식 대비 더 적은 자원으로 동등하거나 우수한 성능을 낸다는 실용적 개선을 보여준다.
핵심 요약
Reddit 같은 환경에서 추천 요청에 여러 정답이 나올 때 기존 Rank-GRPO는 훈련 예제당 하나의 응답만 선택하는데, 이는 학습 신호의 85%가 어떤 응답을 선택했는지에만 좌우되고 생성 목록의 질은 제대로 반영되지 않는 문제가 있다. ReMaRk라는 새로운 방식을 제안하는데, 각 목록을 한 번에 모든 응답의 제목을 합친 것과 비교 평가하고 각 요청을 동등하게 샘플링한다. 7개의 기본 모델과 3개의 데이터셋에서 실험한 결과 ReMaRk는 Rank-GRPO가 2,000번의 단일-응답 강화학습 스텝을 거쳐야 달성하는 검증 재현율을 25~53% 더 적은 스텝으로 도달한다. 전체 요약 5문장 읽기 → 004 06:11 ▲ 17 · 댓글 2 LLM 점수 매기기, 순서에 따라 결정 달라진다 문서 재순위화·응답 순위 매기기·다중 문서 질의응답에서 LLM은 한 프롬프트에 여러 후보를 함께 점수 매기는데, 이 점수로 문턱값 유지 여부·독자 답변·선호도 학습용 쌍을 결정한다. AI · 머신러닝 · Equal Ranking Quality, Different Decisions: Measuring and Reducing Order Dependence in LLM Scorers
Key Point LLM을 활용한 텍스트 순위 매기기는 정보 검색·추천 시스템의 핵심 기술인데, 같은 품질의 모델이 후보 순서에 따라 다른 결정을 내리는 숨겨진 문제를 드러내고 실질적 해결책을 제시한다.
핵심 요약
문서 재순위화·응답 순위 매기기·다중 문서 질의응답에서 LLM은 한 프롬프트에 여러 후보를 함께 점수 매기는데, 이 점수로 문턱값 유지 여부·독자 답변·선호도 학습용 쌍을 결정한다. 같은 쿼리와 후보에 대해 순서를 바꾸면 점수가 달라져 최종 결정이 바뀌는데, 랭킹 품질이 같아도 의사결정이 다르다는 문제가 발생한다. 실험 결과 점수 매김 품질이 0.010 nDCG@10 범위 내인 다섯 모델도 순서 변경 시 유지 대상 집합의 겹침이 0.66~0.84에 불과했다. 전체 요약 8문장 읽기 → 005 15:11 ▲ 37 · 댓글 2 LLM 에이전트, 출처에 따라 상품 선택 편향 보여 LLM 에이전트가 사용자를 대신해 상품·숙소·논문을 추천할 때 출처(웹사이트·서비스)에 따라 선호도가 달라지는 현상을 12개 모델, 3개 도메인으로 검증했다. AI · 머신러닝 · Source Preference in the Wild: How LLM Agents Favor Items by Source, and How to Reduce It
Key Point LLM 에이전트가 사용자 의사결정을 대신하는 세상에서 숨겨진 출처 편향이 실제 추천 결과를 왜곡하는 메커니즘과 대응 방법을 구체적으로 보여준다.
핵심 요약
LLM 에이전트가 사용자를 대신해 상품·숙소·논문을 추천할 때 출처(웹사이트·서비스)에 따라 선호도가 달라지는 현상을 12개 모델, 3개 도메인으로 검증했다. 같은 조건을 만족하는 상품을 비교하면 각 모델이 특정 출처를 선호하고 다른 출처는 회피했으며, 모델들이 선호 출처에서 크게 합의했다. 이 출처 편향이 요구사항 충족도를 능가했다: 요구사항을 하나 덜 충족하는 상품이 선호 출처에서 오면 약 2/3 확률로 선택되지만, 비선호 출처 상품이 더 나으면 거의 선택되지 않았다. 전체 요약 6문장 읽기 → 006 16:18 ▲ 97 · 댓글 3 세 가지 제약을 동시에 푼 전문가 혼합 모델 등장 Mixture-of-Experts(MoE)의 참여도, 계산량, 메모리 비용을 독립적으로 제어할 수 없는 문제를 IntBMoE가 해결했습니다. AI · 머신러닝 · IntBMoE: Integrating Block-Level Conditioning into Expert Composition for Full-Participation Mixture-of-Experts
Key Point MoE는 모델 용량을 확장하는 핵심 기술인데, IntBMoE가 참여도·계산·메모리 세 제약을 동시에 독립적으로 제어할 수 있게 되면서 대규모 추천 시스템의 실전 배포 가능성을 열었습니다.
핵심 요약
Mixture-of-Experts(MoE)의 참여도, 계산량, 메모리 비용을 독립적으로 제어할 수 없는 문제를 IntBMoE가 해결했습니다. 블록 조건화된 MoE로 모든 전문가가 토큰 생성에 기여하며(완전 참여), 라우터가 일부 블록만 실행해 계산량을 낮추고, 학습된 코드북이 메모리를 제한합니다. 하이퍼네트워크가 각 층의 전문가들을 동적으로 합성하고, Dual-Path Residual Gating이 두 경로를 곱셈 게이팅으로 연결합니다. 전체 요약 5문장 읽기 → 007 08:12 ▲ 180 · 댓글 151 호주, 소셜미디어 알고리즘 선택권 '내 피드, 내 방식' 도입 호주 정부가 '디지털 책임 의무' 법안을 발표했으며, 소셜미디어 플랫폼이 사용자에게 알고리즘 추천 콘텐츠 거부 선택권을 제공하도록 의무화한다. 웹 · 프론트엔드 · My Feed, My Way
Key Point 소셜미디어 알고리즘에 대한 사용자 통제권을 법으로 강제하는 세계 최초 사례로, 플랫폼의 추천 시스템 설계 방식 전체를 바꿀 수 있는 규제다.
핵심 요약
호주 정부가 '디지털 책임 의무' 법안을 발표했으며, 소셜미디어 플랫폼이 사용자에게 알고리즘 추천 콘텐츠 거부 선택권을 제공하도록 의무화한다. 사용자는 개인화된 알고리즘 피드를 선택하거나, 팔로우한 친구·크리에이터 콘텐츠만 보도록 거절할 수 있다. 온라인 게임, 앱, AI 챗봇 등 디지털 서비스는 18세 미만을 중독성 기능이나 자존감 훼손 설계, 섭식장애 조장 콘텐츠 등으로부터 보호해야 한다. 전체 요약 6문장 읽기 → 
