1. TurkColBERT: A Benchmark of Dense and Late-Interaction Models for Turkish Information Retrieval

Alphaxiv

Introduction

• Goal: 본 연구의 목표는 터키어 정보검색을 위해 조밀 인코더와 늦은 상호작용(late-interaction) 모델을 비교 평가하는 TurkColBERT 벤치마크를 제안하는 것이다.
• Motivation: 터키어와 같이 형태학적으로 풍부하고 자원이 부족한 언어에 대한 신경 기반 정보검색 연구는 부족하며, 특히 늦은 상호작용 모델은 체계적으로 평가된 바가 없다.
• Contribution: 영어 및 다국어 인코더를 터키어 자연어 추론(NLI)과 의미 유사성(STS) 태스크로 미세조정하고, PyLate 프레임워크로 ColBERT 스타일의 모델로 변환하여 다섯 개 터키어 BEIR 데이터셋에서 성능을 비교한 최초의 종합 벤치마크를 제공한다.

Method

제안하는 방법은 (1) 다국어 및 영어 사전학습 인코더를 터키어 의미적 태스크로 2단계 미세조정하고, (2) MS MARCO-TR 데이터셋에서 PyLate를 사용해 ColBERT 타입의 늦은 상호작용 모델로 적응하며, (3) MUVERA의 고속 다중 벡터 인덱싱 기법을 통합하여 대규모 효율적 검색을 지원한다.

Results

ColmmBERT-base-TR 모델은 터키어 BEIR의 다양한 도메인에서 기존 조밀 인코더 대비 최대 13.8% mAP 향상을 달성하였으며, 1.0M 파라미터의 colbert-hash-nano-tr 모델은 turkish-e5-large(600M 파라미터) 대비 600배 작으면서도 평균 mAP의 71% 이상을 유지하였다.

Limitations

본 연구는 비교적 적은 규모(≤50K 문서) 및 번역된 벤치마크에 의존해 실제 터키어 정보검색 환경을 완전히 반영하지 못하며, 대규모 MUVERA 평가가 추가로 필요하다.

Conclusion

터키어 정보검색에서 늦은 상호작용 모델이 조밀 인코더보다 뛰어난 성능과 효율성을 보이며, MUVERA 인덱싱과 결합 시 고성능과 저지연 검색을 동시에 제공함을 입증하였다.

2. NaTex: Seamless Texture Generation as Latent Color Diffusion

Alphaxiv

Introduction

• NaTex는 3D 공간에서 텍스처 색상을 직접 예측하는 네이티브 텍스처 생성 프레임워크이다.
• 기존의 다중 뷰 확산 모델 기반 2D 이미지 베이킹 방식에서 발생하는 가려진 영역 처리, 정밀 정렬, 다중 뷰 일관성 유지의 어려움을 극복하고자 하였다.
• 본 연구는 기하학 정보에 기반한 포인트 클라우드 VAE와 다중 제어 확산 변환기(DiT)를 도입해 3D 네이티브 텍스처 생성의 가능성과 우수성을 입증하였다.

Method

NaTex는 3D 좌표에 따른 RGB 값을 예측하는 컬러 포인트 클라우드 잠재 확산 모델로, 기하 인지형 컬러 VAE와 다중 제어를 지원하는 컬러 DiT 구조를 설계하였다. VAE에서 기하학 지점 임베딩과 특화된 지오메트리 브랜치를 통한 긴밀한 상호작용으로 텍스처-기하학 정렬을 극대화하였다. DiT는 이미지, 기하학, 초기 텍스처 조건을 융합해 효율적으로 텍스처를 생성 및 정제하는 데 활용된다.

Results

NaTex는 기존 다중 뷰 텍스처링 및 생성 기법 대비 텍스처의 정합성, 일관성, occlusion 처리에서 현저한 성능 향상을 보이며, 다양한 하위 작업(재질 생성, 부분 분할, 텍스처 정제)에도 훈련 없이 또는 간단한 튜닝으로 적용 가능함을 실험적으로 입증하였다.

Limitations

VAE 복원 품질 향상, 재질 데이터 정제, 부분 분할 정밀도 개선 및 인접 폐곡면 처리 등 분야별 과제가 남아 있으며, 텍스처 정제에 추가적인 2D 사전학습 활용 연구가 필요하다.

Conclusion

3D 공간에서 직접 텍스처를 생성하는 NaTex는 잠재 확산 모델 기반의 새로운 네이티브 텍스처링 패러다임을 제시하며, 복합 과제 해결과 광범위한 3D 응용에서 우수한 성과를 달성하였다.

3. FinTRec: Transformer Based Unified Contextual Ads Targeting and Personalization for Financial Applications

Alphaxiv

Introduction

• Goal: 금융 서비스 분야에서 실시간 개인화 광고 타겟팅을 위한 통합 시퀀셜 추천 시스템을 구축하는 것이다.
• Motivation: 금융 서비스는 다채널 사용자 상호작용과 다양한 제품 간 연관성으로 인해 기존 트리 기반 모델만으로는 실시간 맞춤화에 한계가 존재한다.
• Contribution: FinTRec라는 트랜스포머 기반 통합 프레임워크를 제안하여 복잡한 금융 서비스 환경에서 사용자 행동의 장기적 순차적 의존성과 다중 제품 신호를 효과적으로 처리한다.

Method

FinTRec는 사용자의 원시 시퀀스와 이질적 컨텍스트를 별도의 피처 엔지니어링 없이 직접 입력으로 사용하여 트랜스포머 기반으로 클릭률(pCTR)과 전환율(pCVR)을 각각 디코더 및 인코더 아키텍처로 모델링한다.
제품별 적응을 위해 사전학습된 모델에 LoRA 기법을 적용하여 파라미터 업데이트를 최소화하면서도 성능 향상을 도모하며, 긴 시퀀스 내의 시점별 상호작용과 시간 정보를 정교하게 반영한다.
모델은 내·외부 다양한 금융 데이터 소스와 3년치 사용자 행태를 포함하는 FM 임베딩을 활용하여 실시간 추론이 가능하도록 설계되었다.

Results

FinTRec는 기존 트리 기반 Random Forest 모델 대비 pCVR 태스크에서 약 55% 로그 손실 감소와 pCTR 태스크에서 최대 27% 이상의 Recall@1 성능 향상을 달성하였다.

Limitations

현재 클릭률과 전환율 예측 모델이 별도 코드베이스로 개발되어 통합 모델링과 비용 최적화 측면에서 추가 연구가 필요하다.

Conclusion

FinTRec는 금융 서비스 내 다중 제품과 이질적 채널에서 발생하는 장기적 사용자 시퀀스를 효과적으로 활용하여 기존 트리 기반 모델 대비 실시간 개인화 광고 타겟팅 성능을 크게 개선함을 입증하였다.

4. PartUV: Part-Based UV Unwrapping of 3D Meshes

Alphaxiv

Introduction

• Goal: 본 연구의 목표는 3D 메시의 UV 언래핑에서 의미론적 부품 단위 기반으로 고품질의 UV 차트를 생성하는 기법을 제안하는 것이다.
• Motivation: 기존 UV 언래핑 기법들은 주로 국부적인 기하학적 특성에 의존하여 AI 생성 메시 등 불규칙한 데이터를 처리할 때 과도한 분할과 높은 왜곡 문제를 야기하였다.
• Contribution: 본 논문은 PartField 학습 기반 의미 부품 분해와 새로운 기하학적 휴리스틱을 통합한 PartUV 파이프라인을 제안하여 차트 수를 줄이고 왜곡을 최소화하는 고효율 UV 언래핑을 실현하였다.

Method

PartUV는 먼저 PartField를 통해 메시를 의미론적 부품으로 분해한 뒤, 각 부품에 대해 법선 및 병합 기반 두 가지 기하학적 휴리스틱을 적용하여 저왜곡 차트로 세분화한다. 이를 위하여 사용자 지정 왜곡 임계값을 만족하면서 차트 수를 최소화하는 top-down 재귀 탐색 알고리즘을 설계하였다. 또한 GPU 가속 메시 단순화와 병렬화 기술을 도입하여 처리 속도와 안정성을 향상시켰다.

Results

제안방법은 다양한 데이터세트에서 기존 Blender, xatlas, Open3D, Nuvo 등 대표기법 대비 차트 수와 이음선 길이를 크게 감소시키면서도 왜곡은 동등하거나 낮은 수준을 유지하였다.

Limitations

PartUV는 높은 연산 비용이 소요되는 Merge 휴리스틱의 사용과 일부 복잡한 메시에 대해 재귀 깊이에 따른 처리 시간이 증가하는 단점이 존재한다.

Conclusion

PartUV는 의미론적 부품 정보를 활용한 UV 언래핑 기법으로, 기존 기하학 중심 방법 대비 더욱 직관적이고 낮은 왜곡의 UV 맵을 빠르게 생성하여 3D 콘텐츠 제작에 실질적 이점을 제공한다.