elfak.ni.ac.rs

이 이메일 도메인이 관측된 논문 3건

arXiv:2610.07206v1cs.AI

스펙트럼 확산을 위한 에너지 조건부 노이즈 스케줄 및 백색화

Energy-Conditioned Noise Schedule and Whitening for Spectral Diffusion

본 논문은 변환 도메인(transform-domain) 확산 모델을 위한 에너지 적응형 노이즈 스케줄링 및 백색화(whitening) 전략을 소개합니다. 기존의 스펙트럼 확산(spectral diffusion) 방식은 계수 스케일링, 정규화(normalization) 또는 주파수 우선순위 지정을 통해 변환 계수의 불균일한 통계적 특성을 반영하지만, 순방향 확산 노이즈 스케줄은 기저의 스펙트럼-에너지 분포와 대부분 독립적으로 유지됩니다. 본 연구에서는 순방향 확산 과정의 시간적 진화 또한 자연 이미지의 스펙트럼 구성 구조를 따라야 하는지 조사합니다. 제안된 공식화는 전역 스펙트럼 백색화와 에너지 조건부 노이즈 할당을 결합하여, 개별 변환 계수의 에너지와 확산 시간에 따른 이미지 의존적 에너지 경로에 맞춰 주입되는 노이즈를 함께 조절합니다. 그 결과 도출된 순방향 과정은 닫힌 형태의 주변 확률(closed-form marginals)을 갖는 가우시안 전이를 보존하며, 확산 아키텍처를 수정하지 않고도 표준 DDPM 및 DDIM 절차와 호환성을 유지합니다. CIFAR-10에 대한 실험은 제안된 에너지 조건부 노이즈 스케줄과 스펙트럼 백색화의 기여도를 입증하며, 컴팩트한 DCTdiff U-Net 변형 모델의 Fréchet Inception Distance를 142.48에서 100.45로 감소시킵니다.

arXiv:2609.22981v1cs.CR

학습된 AI 모델 이중 잠금: PIN 기반 희소 QIM 워터마킹 및 적응형 인덱스 순열 접근법

Dual-Locking Learned AI Models: A PIN-Based Sparse QIM Watermarking and Adaptive Index Permutation Approach

본 논문에서는 키 기반 인덱스 순열(index permutation)과 희소 양자화 인덱스 변조(Sparse Quantization Index Modulation, QIM) 기반의 PIN 워터마킹을 결합하여 학습된 신경망을 보호하는 이중 잠금(dual-locking) 방법을 제안한다. 적응적으로 선택된 인덱스 벡터의 각 행에 균등 무작위 순열을 독립적으로 적용하여 암호학적 무작위성을 도입한다. 그런 다음 양자화된 값을 변조하여 바이어스 계수에 강건한 블라인드 이진 워터마크를 삽입함으로써, 사용자가 정의한 개인 식별 번호(PIN)에 네트워크를 결속시킨다. 올바른 키가 없으면 네트워크는 아키텍처를 유지하지만 내부 표현이 교란되어 기능적으로 손상된다. 역순열을 통해 원래 모델 정확도를 완전히 복원할 수 있으며, 삽입된 워터마크는 감지되지 않는 상태를 유지하면서 키 연관성 및 모델 소유권에 대한 블라인드 검증을 가능하게 한다. 잠금 효과와 복구 가능성을 모두 향상시키기 위해, 적응형 키 선택 전략을 통해 크기가 큰 가중치를 민감도가 낮은 위치로, 그 반대로 재배치함으로써 완전한 복원력을 유지하면서도 잠금 상태에서의 성능 저하를 극대화한다. 완전 연결 신경망, ResNet CNN, 트랜스포머 아키텍처를 사용하여 MNIST, CIFAR-10/100, ImageNet-1K에서 수행한 실험에 따르면, 잠금 시 정확도가 10% 미만으로 떨어지고 CNN의 경우 0.5% 미만까지 감소하는 반면, 올바른 키를 사용하면 성능이 완전히 복원됨을 보여준다. 워터마크는 측정 가능한 정확도 저하를 유발하지 않으며 소유권을 안정적으로 인증한다. 또한 CNN과 트랜스포머 전반에 걸친 임베딩 분포 분석은 과소학습되거나 최적화되지 않은 구조로 설계된 모델을 식별하는 데 잠재적인 진단 가치가 있음을 나타낸다. 따라서 제안된 접근 방식은 모델 보호, 복구 및 소유권 검증을 동시에 제공한다.

arXiv:2608.00298v1cs.AI

WM-Cov: 상호작용형 월드 모델 기반 자율주행 시뮬레이션을 위한 테스트 적절성

WM-Cov: Test Adequacy for Interactive World-Model-Style Autonomous Driving Simulation

월드 모델(World Model)과 생성형 시뮬레이터는 자차 플래너(ego planner)에 반응하고 반사실적이며 희귀하고 안전에 치명적인 롤아웃(rollout)을 생성할 수 있어 자율주행을 위한 상호작용형 테스트 인프라로 부상하고 있습니다. 이는 테스트 시나리오를 고정된 재생 궤적에서, 테스트 대상 플래너에 따라 실제 전개가 달라지는 상호작용형 시나리오 군(scenario family)으로 변화시킵니다. 따라서 아직 해결되지 않은 문제는 위험한 롤아웃을 생성할 수 있는지 여부뿐만 아니라, 특정 테스트 의도와 중단 결정을 뒷받침하기 위해 어떤 유효한 폐루프(closed-loop) 증거가 충분한지입니다. 본 논문에서는 상호작용형 월드 모델 방식의 테스트 적절성(testing adequacy)을 정립하고, 원시 공급자 출력을 요청된 증거, 실현된 증거 및 유효한 증거로 변환하는 공급자 독립적 평가 층(layer)인 WM-Cov를 소개합니다. WM-Cov는 커버리지 증가, 유효 실패 발견, 실패 모드 다양성, 사실성, 아티팩트 억제, 중복 처리, 유효 증거 정밀도(precision)를 통해 적절성을 보고합니다. 실행된 TeraSim/SUMO 이벤트, WM 유사 혼합 트레이스 풀, 실제 DriveArena TrafficManager--WorldDreamer 매트릭스에 대한 연구는 위험해 보이는 이벤트에 유효한 ADS 실패뿐만 아니라 중복, 부분적 실현, 아티팩트가 포함될 수 있음을 보여줍니다. DriveArena 매트릭스는 두 개의 플래너, 두 개의 예측 기간(horizon), 여섯 가지 프롬프트(prompt) 조건, 360개의 자차 경로 요청을 평가하며, 이 중 304개의 시도는 완전히 실현된 증거가 되고 56개는 부분적인 상태로 남습니다. 서로 분리된 80개 요청 경로 슬라이스 검증에서는 74개의 완전 실현 시도와 6개의 부분 실현 시도가 도출됩니다. 이러한 결과는 단순히 원시 생성된 실패나 프롬프트 커버리지만으로 평가하기보다, 예산 내에서 유효한 상호작용 증거의 수렴(convergence)을 통해 월드 모델 방식의 테스트를 평가해야 함을 뒷받침합니다.