Block's Risk Labs, NeurIPS 2025에서 두 편의 논문으로 AI 연구 발전

Block, AI 연구 성과 NeurIPS 2025서 두 편 발표 Block(티커: XYZ)의 Risk Labs가 세계 최고 권위의 인공지능(AI) 학회인 NeurIPS 2025에 두 편의 연구 논문을 발표하며 AI 연구 분야에서 중요한 성과를 거두었습니다. 이번에 발표된 논문들은 금융 기술을 포함한 다양한 분야에서 AI 시스템의 작동 방식에 직접적인 영향을 미치는 머신러닝의 근본적인 과제들을 다루고 있습니다. 첫 번째 논문인 'Surrogate losses for Consistent Two-stage Classifiers'는 Florence Regol과 동료들이 작성했으며, AI 모델이 점점 더 커지고 운영 비용이 증가함에 따라 효율적인 AI 시스템 개발에 대한 원칙적인 이해의 필요성이 커지고 있다는 점을 해결합니다. 이 연구는 두 단계 분류기 훈련을 위한 최초의 공식적인 이론적 프레임워크를 제공합니다. 이 아키텍처는 작은 규모의 빠른 모델이 쉬운 사례를 처리하고 복잡한 사례는 더 크고 강력한 모델로 이관할 수 있도록 설계되었습니다. 이러한 구조는 실제 시스템에서 점점 더 보편화되고 있지만, 엄격한 이론적 기반이 부족했습니다. 본 논문은 힌지 기반의 대리 손실(hinge-based surrogate loss)을 사용하여 이론적 보장과 실제 구현 요구 사이의 간극을 메웠습니다. 이 대리 손실은 최적해로의 수렴을 보장하는 일관성을 가지고 있습니다. 특히 이 논문은 NeurIPS 2025에 제출된 전체 논문 중 상위 3%에 해당하는 스포트라이트(spotlight)를 수상하며 그 중요성을 인정받았습니다. 이는 머신러닝 이론에 대한 의미 있는 진전으로, 실제 응용을 위한 새로운 방법론 개발에 지침을 제공할 수 있습니다. 두 번째 논문 'Uncertainty Estimation on Graphs with Structure Informed Stochastic Partial Differential Equations'는 Fred Xu와 Thomas Markovich가 작성했으며, 그래프 머신러닝 모델이 예측에 대해 얼마나 불확실한지를 파악하는 중요한 문제를 다룹니다. 기존의 불확실성 추정 방법들은 그래프의 이웃 노드들이 유사한 불확실성 수준을 가져야 한다고 가정하는 경우가 많습니다. 하지만 거래 네트워크에서의 사기 탐지와 같이, 실제 세계에서는 한 정점이 이웃 정점과 매우 다를 수 있는 시나리오에서는 이러한 가정이 깨집니다. 이 연구는 구조 정보 기반 확률 편미분 방정식(Structure Informed Stochastic Partial Differential Equations, SISPDE)을 소개하며, 이는 Matérn 가우시안 프로세스를 사용하여 다양한 그래프 구조에 걸친 불확실성 추정에서의 공간적 상관관계를 제어합니다. 이 방법은 8개의 벤치마크 데이터셋에서 분포 외 탐지(out-of-distribution detection) 성능에서 최첨단(state-of-the-art)을 달성했습니다. 금융 분야에서는 이러한 기술이 보다 신뢰할 수 있는 사기 탐지 시스템으로 이어져, 시스템이 불확실한 상황을 인지하고 과신에 빠지는 것을 방지할 수 있습니다. 이번 연구 결과들은 AI를 대규모로 배포하려는 기업들이 직면한 과제를 직접적으로 해결합니다. 금융 서비스 분야에서 AI 시스템은 정확성과 계산 효율성을 균형 있게 유지하면서 높은 수준의 신뢰성과 설명 가능성을 보장해야 합니다. 특히 금융적 결과에 영향을 미치는 결정을 내릴 때 AI 시스템의 불확실성 추정은 매우 중요합니다. 자체적인 신뢰도를 정확하게 평가할 수 있는 사기 탐지 시스템은 고객에게 불편을 주는 오탐(false positives)과 사기 거래를 놓치는 과소 탐(false negatives)을 모두 줄이는 데 도움이 됩니다. 효율적인 두 단계 아키텍처는 Block이 운영 비용을 통제하면서도 정교한 AI 기능을 배포할 수 있도록 합니다. 이론적 프레임워크는 이러한 효율성 향상이 수백만 건의 거래에 영향을 미치는 결정의 품질을 저하시키지 않도록 보장합니다. 두 단계 분류기 연구에 대한 스포트라이트 수상은 이론적 기여의 중요성을 특히 강조합니다. 대리 손실에 대한 일관성 보장은 머신러닝 이론에 대한 의미 있는 진전이며, 실제 응용을 위한 새로운 방법론 개발에 지침을 제공할 수 있습니다. 이번 연구는 Block의 AI 개발 접근 방식을 반영합니다. 즉, 실제 세계의 문제를 해결하는 동시에 엄격한 과학적 기준을 유지하는 것입니다. AI가 금융 서비스의 핵심으로 자리 잡으면서, 이러한 실용적인 초점과 이론적 엄격함의 결합은 대규모의 신뢰할 수 있는 시스템을 구축하는 데 필수적입니다.