최소 왜곡 임베딩(MDE): PCA부터 UMAP까지 차원 축소를 하나로 묶는 프레임워크
PCA, 라플라시안 아이겐맵, UMAP처럼 100년 넘게 쌓인 임베딩 기법들이 사실은 하나의 최적화 문제였다는 최소 왜곡 임베딩(MDE) 연구와, 연구자가 쓰는 도구가 연구의 질까지 바꾼다는 알파X아카이브 강연 내용을 정리했다.
핵심 내용 읽기 →
AI TOPIC
최적화 최신 뉴스와 핵심 해설
최적화 관련 핵심 뉴스와 활용 인사이트 13편을 최신순으로 모았습니다.
AI 과학 발견 에이전트 SAGA, 목표 함수까지 스스로 설계하는 이중 루프 구조 해설
언어모델을 가설 탐색기로 쓰는 데서 한발 더 나아가 목표 함수 자체를 스스로 바꾸는 SAGA 에이전트가 항생제·자석 소재·나노바디 설계에서 기존 전문 알고리즘을 앞선 과정을, 코넬대 연구자의 강연 내용으로 정리했다.
핵심 내용 읽기 →
강화학습이 현장에 못 쓰이는 이유와 해법, MIT 캐시 우 교수의 교통 최적화 강연
MIT 캐시 우 교수는 신호 제어 벤치마크에서 강화학습이 고정 시간 제어에도 못 미친 실험을 공개하며, 과제가 조금만 달라져도 무너지는 원인과 전이 학습·하이브리드 solver라는 해법을 제시한다.
핵심 내용 읽기 →
옵티마인드 정리: 자연어 문제를 최적화 수식과 코드로 바꾸는 MS 리서치의 소형 모델
마이크로소프트 리서치가 공개한 옵티마인드는 자연어로 쓴 문제를 혼합정수선형계획 수식과 실행 가능한 솔버 코드로 바꾼다. 오류가 절반까지 섞인 학습 데이터를 전문가 힌트로 정제해 200억 파라미터로 프런티어급 성능을 낸 과정을 정리했다.
핵심 내용 읽기 →
로봇 보행 제어와 단순함의 미덕: 무작위 샘플링 MPC와 단일 선형 모델이 휴머노이드를 걷게 하다
MERL 세미나에서 잭 맨체스터가 수년간 쌓아 올린 복합 최적화 연구를 돌아본 뒤, 무작위 샘플링과 선형 모델 하나 같은 단순한 방법이 실제 로봇 보행에서 어디까지 통하는지 보여준 발표를 정리했다.
핵심 내용 읽기 →
AI 데이터센터 탄소 배출 실제 비중과 최적화의 역할, 마이크로소프트 리서치 대담 정리
데이터센터가 전 세계 온실가스 배출에서 차지하는 비중은 실제로 얼마나 될까. 마이크로소프트 리서치 대담이 전력과 배출 통계, 지역 집중 문제, 그리고 최적화와 AI가 기여할 수 있는 지점을 차례로 짚는다.
핵심 내용 읽기 →
Adam 옵티마이저 원리 쉽게 이해하기: 모멘텀과 RMSProp을 하나로 합친 이유와 편향 보정
딥러닝의 기본 옵티마이저인 Adam은 사실 기울기의 이동평균과 기울기 제곱의 이동평균을 붙여 놓은 것이다. 좁은 골짜기 비유를 따라가며 모멘텀과 RMSProp이 각각 무엇을 고치는지, 편향 보정은 왜 필요한지 살펴본다.
핵심 내용 읽기 →
경사 하강법 원리 단계별 정리: 손실 함수와 학습률로 최적값을 찾는 방법과 확률적 경사 하강법
선형 회귀의 절편과 기울기를 예시로, 경사 하강법이 손실 함수의 도함수를 따라 최적값에서 멀면 큰 걸음을, 가까우면 작은 걸음을 밟으며 다가가는 과정을 학습률과 확률적 경사 하강법(SGD)까지 곁들여 단계별로 설명한다.
핵심 내용 읽기 →
심플렉스 알고리즘 수학 원리: 선형계획법 최적해를 슬랙 변수와 가우스 소거로 찾는 법
심플렉스 알고리즘이 선형계획법의 최적해를 찾는 과정을 단계별로 설명한다. 슬랙 변수, ≤ 표준형 변환, 비율 검사, 가우스 소거로 꼭짓점을 옮겨가며 수익을 최대화하는 원리를 쿠키·도넛 예시와 함께 짚는다.
핵심 내용 읽기 →
선형계획법·심플렉스 알고리즘 쉽게 이해하기: 최적화의 기본 원리
쿠키·도넛 반죽 예시로 선형계획법과 심플렉스 알고리즘의 핵심 아이디어를 설명한다. 제약 조건 안에서 이익을 최대화하는 꼭짓점 탐색 원리를 쉽게 풀어낸다.
핵심 내용 읽기 →
경사 하강법 vs 진화 알고리즘 — 신경망 학습(최적화)의 원리와 차원의 저주
신경망 학습은 결국 손실 지형에서 가장 낮은 곳을 찾는 탐색이다. 진화(무작위 탐색)와 경사 하강법을 비교하며, 왜 경사 하강법이 대규모 신경망의 표준이 됐는지 설명한다.
핵심 내용 읽기 →
외판원 문제(TSP)와 휴리스틱: 최적해가 불가능한 문제를 푸는 근사 알고리즘 전략
외판원 문제는 모든 도시를 한 번씩 들르는 최단 경로를 찾는 대표적 NP-난해 문제다. 완전탐색의 한계부터 최근접 이웃·크리스토피데스·국소 탐색·시뮬레이티드 어닐링·개미 군집 최적화까지 근사 전략을 정리한다.
핵심 내용 읽기 →
유전 알고리즘 쉽게 이해하기 — 배낭 문제로 보는 선택·교차·돌연변이와 세대 진화 탐색 원리
유전 알고리즘은 생물의 진화를 흉내 내 해답을 세대마다 조금씩 개선하는 탐색 기법입니다. 배낭 문제를 예로 적합도·선택·교차·돌연변이가 어떻게 더 나은 답을 찾아가는지 단계별로 알기 쉽게 설명합니다.
핵심 내용 읽기 →