지금은마라톤중

2026년 상반기 예상보다 더 빠르게 흘렀습니다.이제 29.5살..20대의 마지막을 꽉 붙들고 있습니다..올해는 1월1일에 해돋이를 보러 등산을 하며 시작했습니다. 마지막 20대의 힘을 다하기 위해 작년보다 더 힘차게 살자는 새해 다짐을 지키기 위해 상반기를 바쁘게 보냈습니다. 0.Mandal-art chart회고를 쓰면서 올해는 만다라트 차트를 썼나? 생각이 들었습니다.확인해보니 완성을 하지 못했다는 사실이 확인했습니다. 만다라트 차트를 기록함으로써 한번 더 내 목표를 다지는 시간이었는데 올해는 큰 목표들이 너무 확실해서 차트를 기록하지 않아도 목표를 향해 열심히 달려가고 있다고 자신할 수 있습니다. 1. 대학원1.1 연구석사과정 3학기 중인 나에게 상반기동안 가장 큰 일이자 목표는 연구였습니다.연초..

하반기 회고지만, 2025년 회고 느낌으로 작성하고자 합니다.올해는 정말 빠르게 지나간 것 같습니다. 작년은 1년을 엄청 길게 느껴지더니 올해는 체감상 작년의 절반밖에 지나지 않은 것 같은데 벌써 시간이 벌써 연말이 오고, 새해가 다가오고 있습니다.올해 대학원에 진학하면서 여러가지 목표들을 세우는 야심찬 한 해였습니다.mandal-art-chart도 만들어보고, 학업적 계획뿐 아니라 심적으로 나약했던 저를 돌아보며 저 자신을 좀 더 단단히 하기 위한 '나다움'이라는 목표를 세웠었습니다.대략 목표치의 65% 정도 성공이라고 말할 수 있을 것 같네요.계획된 성취와 계획하지 않았던 성취가 있었고, 더 잘하고 싶은 욕심만큼이나 하지 못한 부분들도 있었습니다. 0. Mandal-art chart 달성률전체적으..

From RAG to Memory: Non-Parametric Continual Learning for Large Language Models 0. AbstractLLM의 지속적인 학습은 RAG를 통해 새로운 정보를 받는 방식이 소개되었습니다. 그러나, RAG의 벡터 검색에 대한 의존성은 역동적이고 인간의 장기기억과 상호작용하는 것을 방해합니다.최근 RAG는 지식그래프와 같은 다양한 구조 증강을 통해 이러한 간극을 해소해왔습니다. 그러나, 보다 기본적인 사실적 태스크에 대해서는 표준 RAG보다 성능이 떨어집니다.우리는 의도치 않은 악화를 없애고 연관 기억과 의미파악 등을 포괄적인 처리할 수 있는 HippoRAG2를 제안합니다. HippoRAG2는 PPR 알고리즘을 사용한 HippoRAG와 실시간 LLM..

HippoRAG: Neurobiologically Inspired Long-Term Memory for Large Language Models 0. Abstract적대적이고 계속 변화하는 자연환경에서 살아남기 위해, 포유류의 뇌는 치명적인 망각을 피하기 위해 방대한 양의 지식을 저장하고 계속해서 새로운 지식을 통합합니다.LLM이 RAG를 통해 큰 성과를 냈지만, 여전히 효과적이고 효율적으로 많은 양의 새로운 지식을 통합하는데 어려움이 있습니다.논문에서는 새로운 지식을 더 오래 효율적으로 저장하는 인간의 장기기억 이론인 해마체 인덱싱을 활용한 HippoRAG를 소개합니다.HippoRAG는 LLM과 지식그래프, PPR을 조율하여 인간 기억의 신피질과 해마체를 모방합니다. HippoRAG는 기존 RAG 방법..

2025 상반기 회고 올해 상반기에는 대학원 진학했습니다. 그리고 mandal-art chart를 통해 1년 목표를 세웠습니다.올해 큰 목표는 '나다움'입니다. 대학원에 진학하여 학업적/연구적 성장도 목표지만, 저 자신을 채우고자는 목표를 수립했습니다.건강, 취미, 재테크, 학업, 커리어, 마음가짐 등의 큰 카테고리로 나눴습니다. 0. Mandal-art chart 달성률전체적으로 40% 정도 진행 중인 것 같습니다.- 독서 (5/10)권- 새로운 술 (6/10)병- 새로운 요리 도전 (5/10)개- 마라톤 10km 완주- 주 3회 운동- 축하 메세지 꼭 보내기- 연구실 적응- 등등.. 이 밖에도 더 많지만 대표적인 몇 가지만 적어봤습니다. 사소한 목표라도 적고 눈에 보이는 목표가 되니 달성하고자하는 ..

RiemannGFM: Learning a Graph Foundation Model from Riemannian Geometry 0. Abstract파운데이션 모델은 다른 데이터에서 사전 학습된 단일 모델로 크로스 도메인 전이성을 제공하며 인공지능의 새 시대를 예고했습니다. 그래프 신경망은 비유클리디안 구조를 최적화하며 그래프 데이터 학습을 가속했지만, 일반화 능력이 부족했습니다. 그러므로, 그래프 파운데이션 모델에 대한 주목이 커지고 많은 노력으로 거대언어모델을 활용하도록 했습니다. 반면에, 기존 연구는 text-attributed graphs에 주로 집중했으나, 실제 그래프의 더 넓은 범위는 텍스트 정보만을 포함하지 않았습니다. LLM을 만든 연속적인 그래프 설명은 그래프의 고유한 특성인 구조적 복잡..

How to Mitigate Information Loss in Knowledge Graphs for GraphRAG: Leveraging Triple Context Restoration and Query-Driven Feedback 0. Abstract최근 KG를 활용하는 LLM 연구들은 KG가 완전하다는 가정을 하고 있어, KGC의 본절적 한계와 비정형 글을 엔티티-엣지의 트리플로 바꾸면서 문맥적 손실을 가져옵니다.해당 논문에서는 Triple Context Restoration and Query-driven Feedback(TCR-QF) 프레임워크를 제안합니다. 문맥 정보를 재구성하고 반복적인 쿼리 기반 피드백으로 KG 구조를 정제합니다. 1. Introduction문제 제기: 기존 KG-aug..

Can LLMs be Good Graph Judger for KnowledgeGraph Construction? 1. Introduction비정형 텍스트를 정형 지식 그래프로 변환하는 것은 정보 관리와 정보 검색에서 중추적인 역할입니다. 지식 그래프 구축은 다양한 정보 소스로부터 수동적인 간섭의 필요성 없이 구조화된 지식 표현을 발전시키는 것을 목표로 하고 있습니다. GraphRAG와 추천시스템을 포함한 데이터 과학 애플리케이션의 중추적인 역할을 하는 지식 그래프는 더 방대한 정보의 이해와 처리로 중요해지고 있습니다.최근 LLM은 다양한 제로샷 또는 퓨샷에서 엄청난 일반화 성능을 보여주고 있습니다. 또한 LLM은 자연어처리와 지식 그래프 관련해서도 좋은 성능을 보여주고 있습니다. 결과적으로, 비정형 ..