본 연구에서는 조리법에 대한 맥락 이해를 향상시키도록 특화해 미세조정된 사전학습 언어 모델(PLM)인 RecipeBuild를 제안한다. 본 모델은 인간이 작성한 조리법 제목과 요리 스타일 및 조리 방법과 같은 사용자 선호를 포함하는 요리 레시피 전반에서 보다 향상된 맥락적 이해를 목표로 학습되었다. RecipeBuild는 두 가지 핵심 과제에서 우수한 성능을 보인다. 첫째, 조리법 완성 과제(Recipe Completion Task)에서 적절한 재료를 추천한다. 둘째, 조리법 발상 과제(Recipe Ideation Task)에서 혁신적이고 다양한 재료 조합을 제안한다. 실험 결과, RecipeBuild는 조리법 완성 과제에서 기준(baseline) 모델들보다 뛰어난 성능을 보였으며 MRR 0.0798, 재현율(recall) 0.0794를 달성하였다. 또한 조리법 발상 과제에서는 Macro MRR 0.3606, Micro MRR 0.0641로 기준 모델 대비 우수한 성능을 나타내었다. 이는 다양한 식이 요구와 요리 문화를 반영하는 개인화되고 현실적인 조리 아이디어 생성을 위한 유용한 도구임을 시사한다. 재료 추천이라는 일반화된 과제를 다룸으로써 RecipeBuild는 조리법 표현 학습(recipe representation learning) 개선 가능성을 보여준다.

시장 예측을 활용하는 것은 포트폴리오 선택 전략을 최적화하는 데 핵심적이다. 본 연구에서는 포트폴리오 선택을 위한 새로운 프레임워크인 DeepClair를 제안한다. DeepClair는 트랜스포머 기반 시계열 예측 모델을 활용하여 시장 동향을 예측함으로써, 보다 정보에 기반하고 적응적인 포트폴리오 의사결정을 가능하게 한다. 예측 모델을 딥 강화학습 기반 포트폴리오 선택 프레임워크에 통합하기 위해, 우리는 2단계 전략을 도입하였다. 첫째, 시계열 모델을 시장 데이터로 사전 학습한 뒤, 둘째, 해당 모델을 사용하여 포트폴리오 선택 아키텍처를 미세조정한다. 또한, 투자 시나리오에서 미세조정을 위한 사전 학습 예측 모델을 향상시키기 위해 최적화 기법인 Low-Rank Adaptation (LoRA)를 조사하였다. 본 연구는 시장 예측과 포트폴리오 선택을 연결하여 투자 전략의 발전을 촉진한다.

본 연구에서는 조리법에 대한 맥락 이해를 향상시키도록 특화해 미세조정된 사전학습 언어 모델(PLM)인 RecipeBuild를 제안한다. 본 모델은 인간이 작성한 조리법 제목과 요리 스타일 및 조리 방법과 같은 사용자 선호를 포함하는 요리 레시피 전반에서 보다 향상된 맥락적 이해를 목표로 학습되었다. RecipeBuild는 두 가지 핵심 과제에서 우수한 성능을 보인다. 첫째, 조리법 완성 과제(Recipe Completion Task)에서 적절한 재료를 추천한다. 둘째, 조리법 발상 과제(Recipe Ideation Task)에서 혁신적이고 다양한 재료 조합을 제안한다. 실험 결과, RecipeBuild는 조리법 완성 과제에서 기준(baseline) 모델들보다 뛰어난 성능을 보였으며 MRR 0.0798, 재현율(recall) 0.0794를 달성하였다. 또한 조리법 발상 과제에서는 Macro MRR 0.3606, Micro MRR 0.0641로 기준 모델 대비 우수한 성능을 나타내었다. 이는 다양한 식이 요구와 요리 문화를 반영하는 개인화되고 현실적인 조리 아이디어 생성을 위한 유용한 도구임을 시사한다. 재료 추천이라는 일반화된 과제를 다룸으로써 RecipeBuild는 조리법 표현 학습(recipe representation learning) 개선 가능성을 보여준다.

시장 예측을 활용하는 것은 포트폴리오 선택 전략을 최적화하는 데 핵심적이다. 본 연구에서는 포트폴리오 선택을 위한 새로운 프레임워크인 DeepClair를 제안한다. DeepClair는 트랜스포머 기반 시계열 예측 모델을 활용하여 시장 동향을 예측함으로써, 보다 정보에 기반하고 적응적인 포트폴리오 의사결정을 가능하게 한다. 예측 모델을 딥 강화학습 기반 포트폴리오 선택 프레임워크에 통합하기 위해, 우리는 2단계 전략을 도입하였다. 첫째, 시계열 모델을 시장 데이터로 사전 학습한 뒤, 둘째, 해당 모델을 사용하여 포트폴리오 선택 아키텍처를 미세조정한다. 또한, 투자 시나리오에서 미세조정을 위한 사전 학습 예측 모델을 향상시키기 위해 최적화 기법인 Low-Rank Adaptation (LoRA)를 조사하였다. 본 연구는 시장 예측과 포트폴리오 선택을 연결하여 투자 전략의 발전을 촉진한다.

본 연구에서는 대사증후군(metabolic syndrome) 관련 문헌을 대상으로 하는 명명 개체 인식(named-entity recognition, NER)의 벤치마크로 활용할 수 있는 4개의 생의학 다중-개체 코퍼스를 제시한다. CoDiet-Gold 코퍼스(348,413개 주석)는 500편의 재분배 가능한 전체 텍스트 출판물을 포함하며, 각 문서는 2명의 인체 전문가가 독립적으로 주석을 달고, 불일치는 제3의 전문가가 완전히 중재하여 해결하였다. CoDiet-Electrum 코퍼스(2,349,499개 주석)는 CoDiet-gold의 개체를 사용해 주석을 단 3,688편의 출판물을 포함한다. 마지막으로, 동일한 3,688편의 문서에 대해 두 개의 완전 기계 주석 코퍼스인 CoDiet-Bronze(2,399,647개 주석)와 CoDiet-Silver(1,868,422개 주석)를, 기존 NER 알고리즘을 활용하여 이들에 주석을 달아 생성하였다. 이들 코퍼스에는 기존 코퍼스에 더해 깊이를 제공하는 범주(생물종, 질병, 유전자, 단백질, 대사산물)가 포함될 뿐 아니라, 다른 코퍼스에는 없는 새로운 범주(식품, 식이 방법, 시료 유형, 계산 방법, 연구 방법론, 인구 특성, 데이터 유형, 마이크로바이옴)도 포함한다.

시각-언어 모델(Vision-language models, VLMs)은 시각 및 텍스트 정보를 통합하는 능력을 바탕으로 통합적이고 해석 가능한 멀티모달 추론을 가능하게 해 왔다. 그러나 의학 분야를 위한 설명 가능한, 이미지 기반 인공지능(AI) 시스템을 개발하려면 개인정보를 보존하는 데이터 처리 워크플로를 보장하기 위해 로컬 배포가 가능한 모델이 필요하다. 본 연구에서는 소규모 모델과 합성 데이터를 사용하여 로컬 배포형 의료 VLM을 개발할 수 있게 하는 모듈형 프레임워크인 SCALEMED(Scalable Clinical Assistants and LEarning for MEDicine)를 제시한다. SCALEMED 프레임워크는 임상의 데이터 주석, 오픈소스 이미지-텍스트 데이터 수집, 대규모 VLM을 이용한 지식 전이를 통한 합성 데이터 생성, 그리고 소규모 VLM의 파인튜닝을 통합하여 특정 도메인에 특화된 의료 AI 시스템을 개발한다. 피부과의 활용 사례로서, 우리는 자원이 효율적인 VLM인 DermatoLlama를 학습하였으며, 텍스트 및 이미지 기반 평가 데이터셋 전반에서 최신 VLM들에 비해 보고서 생성 성공률이 더 높음을 보여준다. DermatoLlama는 Llama 3.2를 기반으로 하였고, 367개의 전문가가 설계한 시드 과제로부터 생성된 120만 개의 합성 텍스트 샘플과 82,379개의 오픈소스 피부과 이미지로 구성된 DermaSynth를 사용하여 학습하였다. SCALEMED 프레임워크는 특히 자원이 제한된 의료 환경에서 설명 가능하고 접근 가능한 의료 AI 시스템을 개발하기 위한 실용적인 해결책을 제공한다.

본 연구는 동적 포트폴리오 관리를 위한 새로운 딥 강화학습 프레임워크인 DeepAries를 제안한다. DeepAries는 리밸런싱 의사결정의 타이밍과 배분을 함께 최적화한다. 시장 상황과 무관하게 고정 리밸런싱 간격을 사용하는 기존 강화학습 방법과 달리, DeepAries는 불필요한 거래 비용을 줄이고 위험조정 수익을 최대화하기 위해 포트폴리오 가중치와 함께 최적의 리밸런싱 간격을 적응적으로 선택한다. 제안 프레임워크는 복잡한 장기 시장 의존성을 효과적으로 포착하는 Transformer 기반 상태 인코더와, 동시에 이산적(리밸런싱 간격) 및 연속적(자산 배분) 행동을 생성하기 위한 Proximal Policy Optimization(PPO)를 통합한다. 여러 실제 금융 시장에 대한 광범위한 실험 결과, DeepAries는 위험조정 수익, 거래 비용, 그리고 낙폭(drawdowns) 측면에서 기존의 고정 주기 및 전면 리밸런싱 전략을 유의미하게 능가함을 확인하였다. 또한 우리는 https://deep-aries.github.io/에서 DeepAries의 라이브 데모를 제공하며, 소스 코드와 데이터셋은 https://github.com/dmis-lab/DeepAries에 공개하여, 시장 레짐이 변화하는 상황과 부합하는 해석 가능한 리밸런싱 및 배분 의사결정을 도출하는 DeepAries의 역량을 보여준다. 전반적으로 DeepAries는 타이밍과 배분을 단일한 의사결정 과정에 통합함으로써 적응적이고 실용적인 포트폴리오 관리에 대한 혁신적인 패러다임을 제시한다.

대규모 언어 모델(Large Language Models, LLMs)의 등장은 요리 예술을 포함한 여러 창의적 분야에서 가능성을 보여주었다. 그러나 많은 LLM은 특히 특정 문화적 요구를 충족하도록 레시피를 각색하라는 과제를 받았을 때, 원하는 수준의 요리 창의성을 제공하는 데 여전히 어려움을 겪는다. 본 연구는 한 음식 문화의 요소를 다른 음식에 적용하는 ‘요리 전이(cuisine transfer)’를 중심으로 LLM의 요리 창의성을 평가하고자 한다. 우리는 다양한 LLM을 사용하여 문화적으로 각색된 레시피를 생성하고 평가하며, 그 평가 결과를 LLM 및 인간의 판단과 비교한다. 또한 우리는 요리 전이 과제에서 LLM의 레시피 생성 능력을 평가하기 위해 ASH(authenticity, sensitivity, harmony) 벤치마크를 도입하여, 요리 분야에서의 문화적 정확성과 창의성을 측정한다. 연구 결과는 요리 분야에서 LLM의 생성 및 평가 역량 모두에 대한 핵심적 통찰을 제공하며, 레시피 창조에서 문화적 뉘앙스를 이해하고 적용하는 데 있어의 강점과 한계를 부각한다. 본 프로젝트에서 사용한 코드와 데이터셋은 \\url{http://github.com/dmis-lab/CulinaryASH}에서 공개적으로 제공될 예정이다.