FLock.io의 탈중앙화 AI 연구 논문 6편이 정보 검색, 지식 관리 및 데이터베이스 분야 최고 권위 학회인 CIKM 2026(Full Research Track)에 채택되었네요.
6편의 논문은 모두 FLock.io의 수석 AI 과학자인 Zehua Cheng 박사가 집필했으며, 그래프 구조 기반 확률 및 위상적 추론을 통해 LLM 시스템의 데이터 개인정보 보호부터 훈련 효율성, 모델 병합까지 핵심 과제들을 해결함.
채택된 6편의 연구 논문 핵심 요약
1️⃣ 컨텍스트 보존형 익명화 (Anonymization)
제목: Graph-Driven Context-Preserving Anonymization for LLM Scaling
내용: 민감한 개인정보를 제거하면서도 원본 데이터의 의미와 추론 능력을 유지. 다운스트림 정확도 손실을 0.1%p 이내로 방지.
2️⃣ Bethe 합의 디코딩 (BCD)
제목: Bethe Consensus Decoding: Joint Inference on Empirical Pairwise Factor Graphs for Structured LLM Outputs
내용: 여러 필드로 구성된 구조화된 출력 시 발생하는 필드 간 모순을 방지. 별도의 추가 훈련 없이 정확도를 4.6점 향상.
3️⃣ 곡률 그래프 기반 모델 병합성 (CGM)
제목: Curvature Graph Mergeability: Predicting Model Compatibility from Per-Layer Hessian Geometry
내용: 두 모델의 병합 가능 여부를 적은 비용으로 사전 예측. 기존 대비 계산 비용을 약 14,500배 절감.
4️⃣ 신념 전파 기반 인콘텍스트 학습 (ICL-BP)
제목: In-Context Learning as Approximate Belief Propagation
내용: 프롬프트 내 유용한 예시와 오해를 불러일으키는 예시를 구별. 재훈련 없이 8개 벤치마크 기준 중앙값 정확도 7.4점 향상.
5️⃣ 그래디언트 상호작용 그래프 최적화 (GIGO)
제목: Gradient Interaction Graph Optimization
내용: 모델 레이어 간 영향력을 매핑하여 최적의 순서로 업데이트. 기존 옵티마이저 대비 32~34% 적은 스텝으로 동일 품질(GPT-2 기준) 도달.
6️⃣ Cavity 교정 예측 집합 (CCPS)
제목: Cavity-Calibrated Prediction Sets: Single-Pass Conformal Inference for Structured Outputs Over Graphical Models
내용: 복잡한 구조적 출력에 대해 단 한 번의 패스(Single-pass)로 수학적으로 검증된 불확실성/신뢰도 추정치 제공.
최근 DeAI 및 컴퓨팅 인프라 섹터가 다시 시장의 관심을 받는 흐름 속에서, 플록은 계속해서 여러가지 기술에 대한 도전과 장기적인 발전을 위한 활동들을 하고 있음. 이런 기술적 펀더멘탈이 가격 발견에도 영향을 주고 crypto ai 가 좀 더 주목 받을때 flock도 선두 주자로 있으면 좋겟네요.
https://x.com/flock_io/status/2107383765198860543