Vector 연구진의 ICML 2026 발표 성과와 Adalina 논문 채택

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

TL;DR

Vector 연구진은 ICML 2026에서 총 73편의 논문과 11편의 spotlight 논문을 채택받아 강화학습, 생성 모델, 멀티모달, 자율 에이전트, 최적화·이론 등 다수의 연구 분야에서 광범위한 성과를 발표했다. 발표 목록은 기술적 발전뿐 아니라 책임 있는 배치, 환경 지속가능성, 공정성, 사용자 장기 복지와 같은 거버넌스 주제를 포함하여 연구의 사회적 영향까지 반영한다. 개별 논문으로 제시된 Adalina는 벡터 집중 부등식을 이용해 선형 공간 제약 하에서 샤플리 값 근사를 위한 알고리즘을 구축했고 O( n / ε² · log(1/δ) ) 쿼리 복잡도로 오차 보장을 제공하며 기존 방법들을 통합하고 평균제곱오차를 명시적으로 최소화할 수 있음을 보였다.

섹션별 상세

Vector 연구진은 2026년 7월 6일부터 11일까지 서울에서 열리는 ICML에 총 73편의 논문을 채택받아 학회 참가 규모를 확장했다. 이 성과에는 11편의 spotlight 논문이 포함되어 있으며 저자 군에는 Vector Faculty Members, Faculty Affiliates, Distinguished Postdoctoral Fellows 및 연구 스태프가 포함되어 있다. 학회 참여는 Vector의 연구역량이 여러 하위분야에서 동시다발적으로 진전되고 있음을 나타낸다.

근거

Vector 연구진은 ICML 2026에 73편의 논문을 채택받았고 그중 11편이 spotlight 논문으로 선정되었다. — 첫 번째 단락의 채택 논문 수 및 spotlight 언급

채택된 연구 주제는 강화학습과 고급 추론을 위한 post-training, 생성 AI 및 비디오 생성, 멀티모달·vision-language 시스템, 자율 에이전트 및 계획, 그리고 최적화와 기계학습 이론의 기초 연구까지 광범위하게 분포한다. 이와 함께 책임 있는 에이전트 배치, 환경적 지속가능성, 고위험 의사결정의 공정성, 사용자 장기적 복지 등 AI 거버넌스 관련 포지션 페이퍼도 포함되어 있어 기술적 진보와 사회적 영향 모두에 관여하고 있다. 과학적 응용 분야로는 유전체학, 양자화학, 재료 모델링 등이 구체적 적용 영역으로 제시되어 연구 결과의 실세계 활용 가능성이 강조되었다.

Adalina 논문은 샤플리 값과 반(半)값 계열의 효율적 근사화 문제를 선형 공간 제약 아래에서 다루며 이론적·알고리즘적 기여를 제시한다. 저자들은 벡터 집중 부등식을 활용해 기존 무편향 랜덤화 알고리즘의 쿼리 복잡도를 개선하는 이론적 틀을 세우고, 선형 공간 알고리즘이 모든 일반적으로 사용되는 semi-values에 대해 O( n / ε² · log(1/δ) ) 유틸리티 쿼리를 요구함을 보였다. 또한 OFA, unbiased kernelSHAP, SHAP-IQ, 회귀 보정 접근법을 자연스럽게 연결하고 쌍 샘플링이 유리한 조건을 규정하며 각 유틸리티 함수별 평균제곱오차를 명시적으로 최소화할 수 있는 알고리즘 설계를 제시한다.

근거

Adalina 알고리즘은 모든 일반적으로 사용되는 semi-values에 대해 O( n / ε² · log(1/δ) ) 유틸리티 쿼리로 오차 P(‖φ̂−φ‖ ≥ ε) ≤ δ를 보장하는 선형 공간 알고리즘을 제시했다. — Adalina 초록의 쿼리 복잡도 및 오차 보장 수식이 포함된 문단 출처

용어 해설

Shapley Value: — 샤플리 값은 여러 기여자(피처 또는 플레이어)의 기여도를 공정하게 분배하는 게임이론 기반 기법이다. 입력 집합의 모든 순열에 대한 유틸리티 평가를 기반으로 기여도를 산출하므로 정확 계산은 플레이어 수에 따라 지수적 쿼리를 요구한다. 본문 맥락에서는 대규모 적용을 위해 쿼리 수를 줄이는 근사화와 선형 공간 알고리즘의 설계가 핵심 문제이다.
KernelSHAP: — KernelSHAP는 샤플리 값 근사화를 위해 샘플링 기반의 가중 회귀 보정법을 사용하는 접근법이다. 개별 샘플에 대해 가중치를 부여한 선형 회귀를 수행하여 특성 기여도를 추정한다. 본문에서는 KernelSHAP가 제안된 선형 공간 프레임워크와 자연스럽게 연결되는 기존 방법으로 언급된다.
Paired Sampling: — 쌍 샘플링은 샘플을 쌍으로 묶어 상호 연관된 관측치를 함께 생성하거나 비교하여 분산을 줄이는 통계적 기법이다. 서로 연관된 샘플 쌍을 사용하면 추정량의 분산이 낮아질 수 있으며 이는 근사 알고리즘의 MSE 개선으로 이어진다. 본문은 언제 쌍 샘플링이 유리한지를 이론적으로 규정하는 점을 핵심 기여로 제시한다.
Vector Concentration Inequality: — 벡터 집중 부등식은 고차원 벡터 값 확률변수의 편차를 평가하는 수학적 도구이다. 스칼라 집중 부등식의 확장으로서 벡터 노름의 큰 편차 확률을 상한으로 제시한다. 본문에서는 이 부등식을 기반으로 쿼리 복잡도와 오차 보장 이론을 세우는 데 사용되었다.
Post-training: — Post-training은 모델의 초기 학습 이후 추가 절차를 통해 성능이나 추론 능력을 개선하는 일련의 방법을 의미한다. 미세조정·교정·추론 시 보정 등 다양한 기법을 포함하며 고급 추론 능력 향상을 목표로 한다. 본문에서는 advanced reasoning을 위한 post-training 연구가 Vector의 발표 주제 중 하나로 언급되었다.