cse.sc.edu

이 이메일 도메인이 관측된 논문 3건

arXiv:2609.09799v1cond-mat.mtrl-sci

uFlowCSP: Mean flow 생성 모델을 이용한 결정 구조 예측

uFlowCSP: Crystal Structure Prediction using Mean flow generative models

결정 구조 예측(CSP)은 계산 기반 재료 발견의 기초이다. CDVAE, DiffCSP, FlowMM, CrystalFlow를 포함한 생성 모델들은 안정 결정 분포를 직접 학습하지만, diffusion 및 flow-matching 추론은 후보당 수십에서 수천 번의 순차적 네트워크 평가가 필요하다. 본 논문은 순간적인 확률 흐름 속도가 아니라 평균 확률 흐름 속도를 학습하는 MeanFlow 기반 CSP 모델인 uFlowCSP를 제안한다. 이 모델은 1~5회 평가로 완전한 구조를 생성하며, 동등하거나 더 나은 성능으로 5~58배 빠른 추론을 제공한다. 화학 및 대칭을 인식하는 트랜스포머는 표준 원자 순서, 전역 조성, 토큰별 화학 임베딩을 사용한다. coarse 결정계 토큰은 학습 중에만 사용되며, 추론에서는 조성식만 사용되는 상황에서도 특히 공간군 일치를 개선하는 등 가산적 이득을 준다. MP-20에서 타깃당 20개 후보 기준으로, 1스텝은 CrystalFlow(78.34%)와 동등한 78.38%를 달성하면서 평가 횟수는 100배 적고 wall-clock 시간은 약 10배 낮다. 5스텝은 83.64%에 도달하여 CrystalFlow(2,000회 평가에서 78.34%)와 DiffCSP(약 20,000회에서 77.93%)를 능가하면서 평가 횟수는 20배 적다. uFlowCSP는 10,000개 구조를 0.39~1.31분에 생성하는 반면, CrystalFlow는 6.5분, DiffCSP는 76.1분이 걸린다. CSPBench의 에너지 순위 상위 5개 구조-공간군 기준에서 5스텝 uFlowCSP는 구조, 공간군, 합의 일치율 각각 72%/72%/65%에 도달한다. CrystalFlow는 100스텝에서 78%/73%/68%에 도달하지만 5스텝에서는 49%/32%/31%로 떨어진다. 따라서 uFlowCSP는 단순히 최고 정확도만이 아니라 네트워크 평가당 정확도를 개선한다.

arXiv:2608.23880v1cs.CV

LG-GER: 멀티모달 증거 증류를 통한 언어 유도 기반 집단 감정 인식

LG-GER: Language-Guided Group Emotion Recognition via Multimodal Evidence Distillation

단일 이미지로부터 사람 집단의 집합적 감정 상태를 추론(inference)하는 과제인 집단 감정 인식(GER)은 얼굴, 자세, 상호작용, 장면 컨텍스트와 같이 공간적으로 분산된 단서들을 통합해야 합니다. 기존 방식들은 검출기(detector) 기반의 멀티스트림 파이프라인에 의존합니다. 이러한 방식들은 어떤 영역이 중요하고 각 영역이 얼마나 강하게 기여하는지에 대한 지침이 결여된 이미지 수준의 지도(supervision)만으로 학습(training)됩니다. 본 논문에서는 학습 이미지에 대해 감정 신호 및 신뢰도 점수와 쌍을 이루는 바운딩 박스와 같은 조밀하고 공간적으로 그라운딩된(grounded) 증거를 생성하기 위해 멀티모달 대규모 언어 모델(MLLM)을 활용하는 언어 유도 증류 프레임워크인 LG-GER을 제안합니다. 이 구조화된 증거는 분류(classification), 영역-텍스트 그라운딩, 공간 감정, 공간 신뢰도 회귀라는 네 가지 상호보완적인 손실 함수를 통해 단일 비전-언어 모델(VLM) 백본으로 증류됩니다. 추론 시 LG-GER은 검출기, MLLM, 멀티스트림 융합을 전혀 필요로 하지 않으므로, 실시간 및 자원 제약적 배포 환경에서 GER을 실용적으로 적용할 수 있게 합니다. LG-GER은 두 가지 벤치마크 GER 데이터셋(GroupEmoW 및 GAF 3.0)에서 평가되었으며, 추론 시 검출 및 멀티스트림 처리를 요구하는 최신 SOTA(state-of-the-art) 방법들과 비교해 경쟁력 있거나 더 우수한 성능을 달성합니다.