Add papers

README.md

@@ -2,24 +2,32 @@
 ## 2409
 #### [WildVis: Open Source Visualizer for Million-Scale Chat Logs in the Wild](summaries/2409.03753.md)
 #### [Attention Heads of Large Language Models: A Survey](summaries/2409.03752.md)
+#### [Geometry Image Diffusion: Fast and Data-Efficient Text-to-3D with Image-Based Surface Representation](summaries/2409.03718.md)
+#### [CDM: A Reliable Metric for Fair and Accurate Formula Recognition Evaluation](summaries/2409.03643.md)
+#### [FrozenSeg: Harmonizing Frozen Foundation Models for Open-Vocabulary Segmentation](summaries/2409.03525.md)
+#### [From MOOC to MAIC: Reshaping Online Teaching and Learning through LLM-driven Agents](summaries/2409.03512.md)
 #### [mPLUG-DocOwl2: High-resolution Compressing for OCR-free Multi-page Document Understanding](summaries/2409.03420.md)
 #### [LongCite: Enabling LLMs to Generate Fine-grained Citations in Long-context QA](summaries/2409.02897.md)
 #### [LongLLaVA: Scaling Multi-modal LLMs to 1000 Images Efficiently via Hybrid Architecture](summaries/2409.02889.md)
 #### [MMMU-Pro: A More Robust Multi-discipline Multimodal Understanding Benchmark](summaries/2409.02813.md)
 #### [Loopy: Taming Audio-Driven Portrait Avatar with Long-Term Motion Dependency](summaries/2409.02634.md)
+#### [Building Math Agents with Multi-Turn Iterative Preference Learning](summaries/2409.02392.md)
 #### [Arctic-SnowCoder: Demystifying High-Quality Data in Code Pretraining](summaries/2409.02326.md)
 #### [FastVoiceGrad: One-step Diffusion-Based Voice Conversion with Adversarial Conditional Diffusion Distillation](summaries/2409.02245.md)
 #### [LinFusion: 1 GPU, 1 Minute, 16K Image](summaries/2409.02097.md)
 #### [DepthCrafter: Generating Consistent Long Depth Sequences for Open-world Videos](summaries/2409.02095.md)
 #### [Political DEBATE: Efficient Zero-shot and Few-shot Classifiers for Political Text](summaries/2409.02078.md)
 #### [OLMoE: Open Mixture-of-Experts Language Models](summaries/2409.02060.md)
+#### [FuzzCoder: Byte-level Fuzzing Test via Large Language Model](summaries/2409.01944.md)
 #### [Kvasir-VQA: A Text-Image Pair GI Tract Dataset](summaries/2409.01437.md)
 #### [GenAgent: Build Collaborative AI Systems with Automated Workflow Generation -- Case Studies on ComfyUI](summaries/2409.01392.md)
 #### [Know When to Fuse: Investigating Non-English Hybrid Retrieval in the Legal Domain](summaries/2409.01357.md)
+#### [Guide-and-Rescale: Self-Guidance Mechanism for Effective Tuning-Free Real Image Editing](summaries/2409.01322.md)
 #### [OD-VAE: An Omni-dimensional Video Compressor for Improving Latent Video Diffusion Model](summaries/2409.01199.md)
 #### [Affordance-based Robot Manipulation with Flow Matching](summaries/2409.01083.md)
 #### [VideoLLaMB: Long-context Video Understanding with Recurrent Memory Bridges](summaries/2409.01071.md)
 #### [Follow-Your-Canvas: Higher-Resolution Video Outpainting with Extensive Content Generation](summaries/2409.01055.md)
+#### [Report Cards: Qualitative Evaluation of Language Models Using Natural Language Summaries](summaries/2409.00844.md)
 #### [ContextCite: Attributing Model Generation to Context](summaries/2409.00729.md)
 #### [Diffusion Policy Policy Optimization](summaries/2409.00588.md)
 #### [FLUX that Plays Music](summaries/2409.00587.md)

summaries/2409.00844.md

@@ -0,0 +1,26 @@
+# Report Cards: Qualitative Evaluation of Language Models Using Natural Language Summaries
+## TL;DR
+## Summary
+- [https://arxiv.org/pdf/2409.00844.pdf](https://arxiv.org/pdf/2409.00844.pdf)
+
+### 섹션별 요약
+
+#### 1. Introduction
+이 논문은 AI 모델 평가를 위한 질적 평가 방법인 "레포트 카드"를 소개합니다. 기존 양적 평가 방법에는 모델의 조금 더 세밀한 성능과 문맥을 이해하기 어려운 문제점이 있습니다. 이를 보완하기 위해, 우리의 접근 방식은 모델의 복잡한 행동을 해석 가능한 요약을 통해 평가하는 것입니다.
+
+#### 2. PRESS Algorithm
+PRESS (Progressive Refinement for Effective Skill Summarization) 알고리즘은 레포트 카드를 생성하기 위해 다단계로 질문-완성 짝을 요약하는 방법입니다. 각 단계에서 모델의 성능을 점진적으로 요약하고, 최종적으로 종합된 요약을 제공합니다. 이 방법은 단발성 프롬프트보다 더 구체적이고 해석 가능한 레포트 카드를 생성할 수 있습니다.
+
+#### 3. Experiments
+실험을 통해 우리의 레포트 카드가 기존의 평가 방법보다 더 높은 구별력과 신뢰성을 가지는 것을 확인했습니다. 이 실험에는 다양한 AI 모델들이 사용되었으며, STEM 과목, 역사, 생물학 등 여러 주제에서의 성능을 평가했습니다. 데이터셋으로는 MMLU (Massive Multitask Language Understanding)와 Anthropic Advanced AI Risk 데이터셋이 사용되었습니다.
+
+#### 4. Contrastive Evaluation
+대조 평가 방법은 두 모델의 레포트 카드를 사용하여 퀴즈 질문에 대한 모델의 응답을 평가하는 방법입니다. 각 질문 세트에서 모델의 응답을 비교하고, 어떤 모델이 더 나은 성능을 보이는지를 판단합니다. 이 방법을 통해 레포트 카드의 구체성과 신뢰성을 측정할 수 있습니다.
+
+#### 5. Conclusion
+레포트 카드는 AI 모델 성능의 질적 평가를 가능하게 하는 새로운 도구로, 양적 지표와 결합하여 더 완성도 높은 평가를 수행할 수 있습니다. 우리의 PRESS 알고리즘을 통해 생성된 레포트 카드는 다양하고 광범위한 주제와 데이터셋에 대해 해석 가능하고 신뢰할 수 있는 요약을 제공함을 실험을 통해 입증했습니다. 향후에는 더 넓은 분야와 주제로 레포트 카드를 확장하고, 인간 평가자와의 비교를 통해 더 밀도 높은 평가를 실시할 계획입니다.
+
+### 전체 요약
+이 논문은 AI 모델 평가를 위해 개발된 PRESS 알고리즘을 사용한 레포트 카드를 소개합니다. 기존 양적 평가 방법의 제한점을 보완하고자, 모델의 성능을 인터프리터블한 요약으로 제공하는 방식을 제안합니다. 다양한 실험을 통해 레포트 카드의 구체성과 신뢰성을 입증하였으며, 이는 기존의 평가 기법보다 더 나은 구별력과 신뢰성을 제공합니다. 레포트 카드는 교육, 의료, 법률 등 다양한 도메인에 적용할 수 있는 가능성을 열었으며, AI 연구 분야에서 중요한 도구로 자리 잡을 수 있을 것입니다.
+
+논문이 제안한 PRESS 알고리즘과 레포트 카드 평가 방법론은 미래 방향성에서 다양한 응용과 확장을 계획하고 있으며, 이를 통해 AI 모델의 성능 평가가 한층 더 정교하고 신뢰성 있게 이루어질 수 있습니다.

summaries/2409.01322.md

@@ -0,0 +1,39 @@
+# Guide-and-Rescale: Self-Guidance Mechanism for Effective Tuning-Free Real Image Editing
+## TL;DR
+## Summary
+- [https://arxiv.org/pdf/2409.01322.pdf](https://arxiv.org/pdf/2409.01322.pdf)
+
+### 요약
+
+이 논문에서는 실제 이미지 편집을 위한 **Guide-and-Rescale** 방법을 제안하며, 이는 자가-가이드 메커니즘을 기반으로 한 방법입니다. 주요 내용은 다음과 같습니다.
+
+#### 1. 초록
+- 최신 텍스트-이미지 생성 모델의 발전에도 불구하고, 실제 이미지 편집에는 여전히 많은 한계가 있습니다.
+- 이 논문에서는 자가-가이드 기술과 노이즈 재조정 메커니즘을 통해 이미지의 구조와 지역적 모습을 유지하면서 고품질의 편집을 가능하게 하는 방법을 제안합니다.
+
+#### 2. 도입
+- 확산 모델이 빠르게 발전하면서 텍스트-이미지 생성에 사용되고 있지만, 실제 이미지 편집에는 여전히 어려움이 있습니다.
+- 기존 방법의 한계를 극복하기 위해 자가-가이드 기술과 노이즈 재조정 메커니즘을 제안하여 효율적이고 높은 품질의 이미지를 생성합니다.
+
+#### 3. 관련 연구
+- **최적화 기반 방법:** 확산 모델을 입력 이미지에 맞게 조정하여 구조와 세부 정보를 보존하는 방법이 있으나 처리 시간이 길다는 단점이 있습니다.
+- **내부 표현 활용 방법:** 이미지의 내부 표현을 사용하여 구조와 세부 정보를 보존하며 편집하는 방법이 있지만, 특정 조정이 필요하고 범용성이 부족합니다.
+- **고품질 재구성 방법:** 역 확산 과정의 전후 차이를 최소화하여 이미지를 재구성하는 방법이나 시간이 많이 소요됩니다.
+
+#### 4. 제안 방법
+- 자가-가이드 기술을 통해 이미지의 전반적인 구조와 지역적인 모습을 유지하면서 편집할 수 있도록 합니다.
+- 노이즈 재조정 메커니즘을 도입하여 분류기 프리 가이드(CFG)의 정상성을 유지합니다.
+- 이 방법은 특정 재구성이나 모델의 미세 조정이 필요하지 않아 계산 효율적입니다.
+
+#### 5. 실험
+- 확산 모델을 안정적으로 작동시키기 위해 성능 비교 실험을 수행했습니다.
+- 제안된 방법이 편집 품질(CLIP)과 원본 이미지 보존(LPIPS)에서 더 나은 균형을 보여줌을 확인했습니다.
+- 사용자의 선호도 조사에서도 높은 평가를 받았습니다.
+
+#### 6. 결론
+- 자가-가이드와 노이즈 재조정 메커니즘을 포함한 새로운 이미지 편집 방법을 제안하여 효율적이고 고품질의 편집 결과를 제공합니다.
+- 인간 평가와 정량적 분석을 통해 제안 방법이 더 선호됨을 입증했습니다.
+
+### 종합 요약
+
+이 논문은 "Guide-and-Rescale"이라는 새로운 이미지 편집 방법을 제안합니다. 이 방법은 원본 이미지의 구조와 세부 정보를 유지하면서 고품질의 편집 결과를 제공하는 자가 가이드 기술과 노이즈 재조정 메커니즘을 사용합니다. 제안된 방법은 특정 모델의 미세 조정이나 추가적인 최적화가 필요 없어 계산 효율적이며, 다양한 편집 유형에 대해 높은 편집 품질과 원본 이미지 보존 능력을 보여줍니다. 실험과 사용자 선호도 조사 결과, 이 방법이 현재의 대부분의 방법보다 더 나은 성능을 보였습니다.

summaries/2409.01944.md

@@ -0,0 +1,29 @@
+# FuzzCoder: Byte-level Fuzzing Test via Large Language Model
+## TL;DR
+## Summary
+- [https://arxiv.org/pdf/2409.01944.pdf](https://arxiv.org/pdf/2409.01944.pdf)
+
+### 1. 각 섹션 요약
+
+#### 1. 서론 (Introduction)
+이 논문은 **퍼징** 기법을 통한 소프트웨어 결함 검출을 주제로 다룹니다. 퍼징은 프로그램에 랜덤 또는 의도된 잘못된 입력을 제공하여 취약점을 찾는 동적 테스트 기법으로, 주로 하드웨어와 소프트웨어 시스템의 버그를 찾아내는 데 사용됩니다. 본 논문에서는 특히 대형 언어 모델(LLM)을 활용하여 퍼징 테스트를 개선하는 방법을 제안합니다.
+
+#### 2. 관련 연구 (Related Work)
+퍼징 테스트의 다양한 접근법과 기존 연구가 소개됩니다. 이전 연구들은 주로 문법 기반 모델링이나 시드 파일의 취약 위치 예측 등에서 성과를 내었지만, 이 논문에서는 LLM을 활용하여 시퀀스 투 시퀀스 모델로 컨텍스트 이해와 생성 능력을 한층 더 강화하고자 합니다.
+
+#### 3. FUZZCODER의 제안 (Proposed Method - FUZZCODER)
+**FUZZCODER**는 퍼징 테스트를 위해 미세 조정된 대형 언어 모델입니다. 이 모델은 **Fuzz-Instruct** 데이터셋을 기반으로 학습되어 퍼징 과정에서 입력 파일의 변형 위치와 전략을 예측합니다. 실험 결과, FUZZCODER는 기존 기법에 비해 더 높은 효율성과 성능을 보여줍니다.
+
+#### 4. 실험 결과 (Experimental Results)
+FUZZCODER는 다양한 입력 파일 형식(ELF, JPG, MP3, XML)에서 성능을 평가받았습니다. 실험 결과, FUZZCODER는 더 많은 코드 커버리지와 높은 비율의 프로그램 충돌을 유발하여 퍼징 성능을 크게 향상시켰습니다. 또한, 여러 퍼징 기법과 비교했을 때 변형 비율과 충돌 수에서 우수성을 입증했습니다.
+
+#### 5. 결론 (Conclusion)
+이 논문은 FUZZCODER가 자동화된 퍼징 테스트에서 대형 언어 모델의 강력한 가능성을 보여준다고 결론 내립니다. FUZZCODER는 지속적인 연구와 발전을 통해 소프트웨어 보안과 품질 향상에 크게 기여할 수 있습니다.
+
+### 2. 전체 요약
+
+이 논문은 퍼징 테스트를 개선하기 위해 **미세 조정된 대형 언어 모델인 FUZZCODER**를 제안합니다. 퍼징 테스트는 프로그램의 취약점을 찾기 위한 동적 테스트 기법으로, FUZZCODER는 이를 위해 대형 언어 모델 기반의 시퀀스 투 시퀀스 모델을 사용합니다. FUZZCODER는 Fuzz-Instruct 데이터셋을 통해 학습되어 입력 파일의 변형 위치와 전략을 효과적으로 예측하고, 실험 결과 ELF, JPG, MP3, XML 형식의 파일에서도 기존 퍼징 기법 대비 우수한 성능을 보였습니다. 결론적으로, FUZZCODER는 소프트웨어 보안 및 품질 향상에 중요한 도구가 될 수 있습니다.
+
+---
+
+이 요약은 AI와 머신 러닝을 통해 소프트웨어 테스트와 보안 연구를 진행하는 데 유용하게 사용될 것입니다. 추가 질문이나 필요한 내용이 있으면 언제든지 말씀해 주세요.

summaries/2409.02392.md

@@ -0,0 +1,25 @@
+# Building Math Agents with Multi-Turn Iterative Preference Learning
+## TL;DR
+## Summary
+- [https://arxiv.org/pdf/2409.02392.pdf](https://arxiv.org/pdf/2409.02392.pdf)
+
+### 1. 섹션별 요약과 주요 기여 및 혁신 부분
+
+#### Introduction
+AI와 머신러닝 모델, 특히 대형 언어 모델(LLMs)의 수학 문제 해결 능력 향상을 위해 코드 인터프리터 같은 외부 도구 통합과 다단계 Chain-of-Thought(CoT) 추론 기법이 사용되고 있습니다. 본 논문은 기존의 단일 턴 대화 특화된 알고리즘이 다단계 추론과 외부 도구 통합의 복잡성을 완전히 해결하지 못함에 따라 다단계 선호도 학습 프레임워크를 제시합니다. 이를 통해 다양한 언어 모델의 성능 향상을 입증합니다.
+
+#### Algorithms Development
+이 섹션에서는 계획 문제의 최적화 조건을 설정하고, 다단계 직접 정렬 알고리즘(M-DPO 및 M-KTO)을 개발합니다. 특히 각 학습 과정에서 불필요한 토큰을 마스킹하는 방법을 도입합니다. 또한 온라인 반복적인 변형 알고리즘이 효과적임을 입증하고, 이에 대한 평가를 위해 MATH와 GSM8K 벤치마크 데이터를 사용합니다.
+
+#### RL에서 다단계 다중 턴 추론을 위한 학습 목표 및 프레임워크
+이 섹션은 최적화 조건을 설정하고, 다단계 직접 정렬 알고리즘(M-DPO 및 M-KTO)을 개발합니다. 또한 학습 목표를 바탕으로 온라인 반복적인 변형 알고리즘이 효과적임을 입증합니다.
+
+#### Conclusion, Limitation, and Future Research Direction
+본 논문에서는 선호도 학습이 도구 통합 추론 LLM의 성능을 크게 향상시킬 수 있음을 입증했습니다. 향후 연구 방향으로는 더욱 세밀한 보상 신호 활용, 적응형 여유 및 길이 규제 등을 제안합니다. 또한 이 알고리즘이 일반적인 에이전트 학습에 적용될 수 있도록 확장할 계획입니다.
+
+### 2. 전체 요약
+
+본 논문은 대형 언어 모델(LLMs)의 수학 문제 해결 능력을 향상시키기 위해 다단계 직접 선호도 최적화 알고리즘(M-DPO 및 M-KTO)을 제안합니다. 이는 외부 도구와의 상호작용을 통한 다단계 추론의 복잡성을 해결하며, GSM8K 및 MATH 데이터셋을 사용한 실험 결과 기존의 단일 턴 알고리즘 대비 우수한 성능을 보였습니다. 논문에서는 최적화 조건 설정, 다양한 학습 목표 및 프레임워크 개발, 실험적 검증을 통한 모델 성능 향상을 다룹니다. 향후 연구는 더욱 정밀한 보상 신호 및 일반 에이전트 학습으로의 확장을 목표로 합니다.
+
+---
+이 요약을 바탕으로 발표 자료를 만드실 수 있습니다. 추가 문의사항이 있으시면 언제든지 말씀해 주세요!