LG AI Research, DistPFN으로 표본 내 학습 레이블 시프트 해결

LG AI Research가 모델 구조 변경이나 재학습 없이 표본 내 컨텍스트 학습(Tabular In-Context Learning)의 레이블 시프트를 완화하는 테스트 타임 사후 확률 조정 방법 DistPFN을 제안함
DistPFN-T는 강한 레이블 시프트 조건(베타=5)에서 TabICL 대비 상대적 정확도 13.7% 향상 및 평균 정확도 0.792 달성, 6개 시프트 강도에서 오라클 베이스라인(0.796)에 근접함
계산 비용 증가가 미미하여 TabPFN-v2의 평균 예측 시간을 1.002초에서 1.003초로만 늘렸으며, EME와 BBE 등 다른 베이스라인이 최대 1.7%p 성능 저하를 겪는 균형 데이터셋에서도 안정성 유지함
ICML 2026의 구조화 데이터 트렌드는 원시 정확도보다 신뢰성에 초점을 맞추며, 시간-주파수 조합을 통한 불규칙 시계열 처리와 모델이 예시를 암기하는지 아닌지 검증하는 연구가 주목받음

ICML 2026 Context

제43회 ICML 컨퍼런스가 2026년 7월 6일부터 11일까지 서울에서 개최되며, 해당 행사가 한국에서 열리는 것은 처음임
총 23,918건의 제출 논문 중 6,352편이 채택되어 26.6%의 채택률을 기록했으며, 제출 건수는 전년 대비 2배 증가함
우수 논문상(Outstanding Paper)은 'The Flexibility Trap'과 'High-Accuracy Sampling'에 수여되었으며, 2016년 발표된 'Asynchronous Methods for Deep Reinforcement Learning'은 시간의 시험상(Test of Time Award)을 수상함

고정 길이 패칭을 대체하는 BPE 기반 토큰화가 조건부 디코딩과 결합될 때 평균 예측 성능을 40% 향상시키고 MSE를 최대 48% 감소시킴
PRO-DYN 프레임워크는 동역학 학습 능력에 따라 모델을 분류하며, 동역학 담당 블록을 모델 아키텍처의 끝에 배치하는 것이 가장 효과적임을 발견함
UEC-STD는 예측을 추세와 계절성 성분으로 분해하여 오류 수정 메커니즘을 부활시켰으며, 재학습 없이 4개 백본 모델과 10개 데이터셋에서 강건성을 향상시킴