이 작성자와 연결된 문서를 한곳에서 모아보고, 관련 태그를 따라 같은 맥락의 문서를 이어서 탐색할 수 있습니다.
자주 함께 등장한 태그
Google은 Snapseed iOS의 Object Brush에 온디바이스 Interactive Segmenter를 적용해, 사용자가 탭이나 선 긋기만으로 객체를 빠르게 선택하고 선택 편집할 수 있게 했습니다.
Google DeepMind와 Google 연구진은 AlphaEvolve가 복잡도 이론의 유한 조합 구조를 찾아내고 검증함으로써 MAX 4 CUT 근사 불가능성과 랜덤 그래프 인증의 평균 사례 난이도 경계를 개선했다고 설명한다.
Google Research는 웨어러블 데이터와 건강 데이터를 결합해 개인화된 근거 기반 건강 인사이트와 코칭을 제공하는 다중 에이전트 연구 프레임워크 PHA를 제안하고, 데이터 과학·도메인 전문가·헬스 코치 역할을 분리해 평가했다.
AfriMed QA는 아프리카 의료 맥락에 맞춘 대규모 질의응답 벤치마크로, LLM이 지역별 질병·언어·문화·의료 환경 차이를 얼마나 잘 처리하는지 평가하기 위해 구축됐다.
구글 리서치는 TimesFM에 지속 사전학습과 구분 토큰을 더해, 사용자가 별도 지도 미세조정을 하지 않아도 관련 시계열 예시 몇 개를 추론 시점에 활용하는 TimesFM ICF를 제안했다.
TTD DR은 초안 작성, 검색 기반 보강, 반복 수정이라는 인간 연구 과정을 확산 모델처럼 구성해 장문 연구 보고서와 다중 홉 추론 성능을 높인 Deep Research 프레임워크입니다.
SLED는 외부 지식베이스나 추가 파인튜닝 없이 LLM의 모든 층에서 나온 정보를 디코딩에 활용해 사실성을 높이는 방법입니다.
구글 리서치의 Learn Your Way는 생성형 AI로 교과서를 개인화된 다중 형식 학습 경험으로 바꾸고, 초기 연구에서 디지털 리더보다 학습 성과와 유지 점수를 높인 교육 실험이다.
Google Research는 차등 개인정보보호 학습의 스케일링 법칙을 바탕으로 10억 파라미터 규모의 공개 DP 언어모델 VaultGemma를 학습·공개하고, 개인정보보호와 성능 사이의 계산·데이터·프라이버시 예산 trade off를 체계적으로 제시했다.
NucleoBench는 핵산 서열 설계 알고리즘을 16개 생물학 과제에서 표준 비교하는 오픈소스 벤치마크이고, 이를 통해 개발된 AdaBeam은 11개 과제에서 기존 방법보다 우수한 성능을 보였다.
구글 리서치가 제안한 ‘speculative cascades’는 표준 캐스케이드와 speculative decoding을 결합해 LLM 추론의 비용, 속도, 품질 사이의 균형을 더 유연하게 조정하는 하이브리드 방식이다.
구글 리서치는 과학자가 점수화 가능한 연구 문제에 대해 맞춤형 실험 소프트웨어를 만들고 반복 개선하도록 돕는 AI 시스템 ERA를 제시하며, 6개 과학·공학 벤치마크에서 전문가 수준 성능을 보였다고 설명한다.
구글은 의료 인력 부족 문제를 배경으로, 학습자 중심 설계와 정량 평가를 통해 Google AI와 LearnLM이 보건의료 전문직 교육에서 개인화된 튜터 역할을 할 가능성을 탐색했다.
Google Research는 건강 언어모델 평가를 세분화된 예/아니오 기준으로 바꾸고 관련 문항만 적응적으로 선별해, 평가 시간은 줄이면서 평가자 간 일치도와 품질 차이 감지 능력을 높이는 방법을 제안했다.
YouTube는 대형 생성 모델의 효과를 지식 증류로 작고 빠른 학생 모델에 옮기고 MediaPipe 기반 온디바이스 파이프라인으로 최적화해 Shorts에서 실시간 생성형 AI 효과를 구현했다.
구글 리서치 연구진은 대규모 사용자 기반 데이터 공개에서 개인 정보 보호를 유지하면서 더 많은 유용한 항목을 선택할 수 있는 차등 프라이버시 파티션 선택 알고리즘 MAD를 제안했다.
Google Research는 거대 LLM을 비공개 데이터에 직접 미세조정하지 않고도, 1억4000만 매개변수 조건부 생성기와 주제 분포 매칭을 통해 차등 프라이버시 합성 텍스트 데이터를 만드는 CTCL 프레임워크를 제안했다.
g AMIE는 환자 문진과 의료 기록 초안을 맡되 개별화된 의학적 조언은 금지하고, 최종 판단과 환자 전달은 감독 의사가 검토·수정하도록 설계된 AMIE의 의사 중심 감독 연구 프레임워크다.
Google Ads 연구진은 광고 안전성 분류에서 전문가 고품질 라벨과 능동학습 기반 큐레이션을 결합해 LLM 미세조정에 필요한 학습 데이터를 100,000건에서 500건 미만으로 줄이면서 인간 전문가와의 정렬도를 높였다고 설명한다.
센서엘엠은 5,970만 시간의 웨어러블 센서 데이터와 자동 생성 설명문을 학습해 신체 신호를 자연어로 해석하고 검색·분류·설명하는 센서 언어 기반 모델군이다.
