AI바라기의 인공지능

용어 설명Multi-Hop VideoQA (MH-VidQA): 단일 프레임이나 연속된 하나의 구간이 아닌, 영상 내 여러 시간대에 파편화되어(scattered) 존재하는 시각적 단서들을 모으고 종합해야만 질문에 답하고 증거 구간(evidence)을 찾을 수 있는 고난도 VideoQA task.Action Scene Graphs: 비디오의 텍스트 설명(narration)에 포함된 구문 트리(syntax trees)를 분석해 행동, 객체, 시간적 흐름 및 상호작용을 그래프 형태로 구조화한 데이터 표현 방식.Grounding Tokens (, ): 모델이 답변을 생성할 때, 특정 시각적 근거가 되는 사건의 시작과 끝을 감싸기 위해 MLLM 단어장에 새롭게 추가된 특수 토큰 쌍.Evidence Grounding..

용어 설명MLLMs (Multi-modal Large Language Models): 텍스트뿐만 아니라 이미지, 비디오 등 다양한 시각적 정보를 동시에 처리하고 이해할 수 있는 대규모 언어 모델.Temporal Grounding (TG): 비디오의 전체 타임라인 안에서 특정 사건이나 액션이 발생한 정확한 시간대(moment)를 찾아내고 그 맥락을 이해하는 능력.Clue duration: 이 논문에서 도입한 고유 개념으로, 특정 질문에 올바르게 답하기 위해 비디오 내에서 필수적으로 확인해야 하는 "최소한의 시간 구간(시작점과 끝점)".Instruction tuning: 모델이 사용자의 지시사항이나 프롬프트 형식을 정확히 따르도록 미세 조정하는 학습 과정.Visual-agnostic: 시각적인 정보(비디오/..

전시 기본 정보전시명인상주의를 넘어: 르누아르 · 드가 · 고흐 · 마티스 · 피카소성격디트로이트 미술관 걸작전장소세종문화회관 미술관 1·2관기간2026.05.28 ~ 2026.08.23시간10:00 ~ 19:00, 입장마감 18:00관람 연령전 연령 관람 가능가격성인 23,000원 / 청소년 19,000원 / 어린이 16,000원 / 36개월 미만 무료관람 시간약 90분 정도로 안내됨주차세종문화회관 자체 주차장은 없고, 세종로 공영주차장 이용 시 전시 관람객 할인 가능. 다만 주말·공휴일은 만차 가능성이 커서 대중교통 권장 간만에 전시 왔어요 바로 시작 이 섹션은 사실주의(Realism) 설명입니다.쉽게 말하면, 예전 미술은 신화·종교·영웅·귀족처럼 멋있고 이상적인 대상을 그리는 게 중심이..

용어 설명 (Terminology)Temporal Difference (TD) Learning: 예측된 미래의 보상과 현재의 예측값 사이의 오차(TD error)를 줄여나가는 강화학습(RL) 기법. 이 논문에서는 여러 time step 간의 denoising 궤적이 일관성을 갖도록 맞추는 데 사용됨.Markov Reward Process (MRP): 의사 결정(action) 없이 상태(state), 전이(transition), 보상(reward)으로만 구성된 확률적 상태 변화 모델. 논문은 reverse diffusion 과정을 하나의 거대한 MRP로 재정의함.Cross-time consistency: 특정 time step에서의 예측 결과가, 과거나 미래의 다른 time step 예측 결과와 (diff..

용어 설명Latent Dynamical Systems: 직접 관측할 수는 없지만, 고차원 데이터의 기저에서 시간에 따라 변화하며 시스템 전체를 지배하는 저차원의 핵심 상태와 그 변화 규칙.Multi-View Contrastive Learning: 동일한 현상에 대해 노이즈가 낀 여러 개의 독립적인 관측 데이터(views)를 서로 대조(contrast)하여, 뷰마다 무작위로 발생하는 노이즈는 무시하고 공통된 핵심 신호만 추출해내는 학습 기법.Affine Gauge (Affine Indeterminacy): 모델이 원래의 시스템을 성공적으로 복원하더라도, 정확히 똑같은 값이 아니라 선형 변환(회전, 스케일링, 이동 등) 수준의 차이는 구별할 수 없는 상태. 본 논문에서 달성하고자 하는 수학적 identifi..

용어 설명Reward-free offline data: 보상(reward) 정보가 전혀 포함되어 있지 않은 과거의 경험 데이터셋. 에이전트가 특정 목표를 위해 수집한 데이터가 아니라, 무작위 행동이나 질 낮은 탐색 등으로 얻어진 suboptimal 데이터를 포함합니다.PLDM (Planning with a Latent Dynamics Model): 이 논문에서 제안하는 핵심 방법론. 픽셀 단위의 복원(reconstruction) 없이 잠재 공간(latent space)에서 환경의 변화 법칙을 학습하고, 테스트 시점에는 이를 바탕으로 MPPI를 사용해 최적의 행동을 계획(planning)합니다.JEPA (Joint Embedding Predictive Architecture): 미래 상태의 픽셀을 직접 예..

핵심 관계$$|0\rangle, |1\rangle$$는 기본 기준 상태입니다.컴퓨터의 0/1처럼 가장 기본 축이라고 보시면 됩니다.$$|+\rangle, |-\rangle$$는 $|0\rangle, |1\rangle$를 반반 섞어서 만든 다른 기준 상태입니다.1. 네 상태의 정의$$|0\rangle = \begin{bmatrix} 1 \\ 0 \end{bmatrix}$$$$|1\rangle = \begin{bmatrix} 0 \\ 1 \end{bmatrix}$$그리고$$|+\rangle = \frac{|0\rangle+|1\rangle}{\sqrt{2}} = \begin{bmatrix} \frac{1}{\sqrt{2}} \\ \frac{1}{\sqrt{2}} \end{bmatrix}$$$$|-\rangl..

0부 강의: $|+\rangle$, $|-\rangle$, 확률진폭, 제곱의 의미양자컴퓨팅을 처음 배울 때 가장 먼저 부딪히는 식이 이런 겁니다.$$|+\rangle = \frac{|0\rangle+|1\rangle}{\sqrt{2}}$$$$|-\rangle = \frac{|0\rangle-|1\rangle}{\sqrt{2}}$$그리고 곧바로 이런 말을 듣게 됩니다.$$|\psi\rangle = \alpha|0\rangle+\beta|1\rangle$$여기서 $\alpha,\beta$는 확률이 아니라 확률진폭이고, 확률은$$P(0)=|\alpha|^2$$$$P(1)=|\beta|^2$$라고 합니다.처음 보면 당연히 이상합니다.“왜 $\sqrt{2}$로 나누지?”“왜 마이너스가 들어가지?”“왜 $\alph..

'마가렛트 호두과자맛'이라는 낯선 이름에 시선이 멈췄다. 그 순간 선선한 바람을 맞으며 훌쩍 드라이브를 떠나, 휴게소에서 따끈한 호두과자 한 봉지를 품에 안는 낭만이 머릿속을 스치고 지나갔다. 과자 한 박스로 그 소박한 로망을 방구석에서 실현할 수 있다니. 대형 마트 기준 5천 원대 중후반이니, 기름값과 톨게이트비를 아꼈다는 기적의 계산법을 들이밀며 기분 좋게 장바구니에 담아주었다. 🚗 박스 뒷면, 묵직한 영양정보표가 조용히 현실을 일깨운다. 하지만 진짜 휴게소에 갔다면 소떡소떡에 알감자까지 야무지게 해치웠을 테니까. 오늘은 휴게소 풀코스 대신 이 귀여운 쿠키 하나로 끝낸다는 합리적인 핑계를 대본다. 박스를 열어보니, 기존의 쨍한 포장지 대신 따뜻한 가을빛을 입은 낱개 포장지가 등장한다...