hds.utc.fr

이 이메일 도메인이 관측된 논문 3건

arXiv:2606.10734v3cs.LG

SPACR: 불확실성 인지 컨포멀 회귀기의 단일 패스 적응형 학습

SPACR: Single-Pass Adaptive Training of Uncertainty-Aware Conformal Regressors

컨포멀 예측(Conformal Prediction, CP)은 예측 모델에 대한 강건한 불확실성 보장을 제공하지만, 일반적으로 사후(post hoc) 방식으로 적용되어 모델 학습이 효율적인(즉, 좁은) 구간을 생성하려는 컨포멀 목표와 일치하지 않게 됩니다. 본 논문에서는 미분 가능한 손실 함수 내에서 불확실성 인지 회귀기를 직접 학습하는 새로운 방법인 SPACR(Single-Pass Adaptive Conformal Regressor)을 제안합니다. SPACR은 학습 중에 배치 분할이나 사전 정의된 신뢰 수준 없이 정확도, 효율성 및 타당성을 공동으로 최적화합니다. 그 결과, 단일 SPACR 모델은 추론 시 여러 신뢰 수준에서 유효한 예측 구간을 생성할 수 있어, 직접 최적화 귀납적 컨포멀 회귀(DOICR)와 같은 방법에서 요구되는 많은 비용의 재학습을 피할 수 있습니다. 다양한 정형 및 이미지 데이터셋에 대한 실험을 통해, SPACR은 표준 CP 및 DOICR에 비해 일관되게 더 좁은 구간과 더 우수한 커버리지-효율성 트레이드오프를 제공하는 동시에 재학습에 의존하는 베이스라인 대비 계산 비용을 크게 절감함을 보여줍니다.

arXiv:2610.11953v1cs.LG

트리 기반 모델에서의 구간값 SHAP

Interval-valued SHAP in Tree-Based Models

샤플리 값(Shapley value)은 가장 널리 쓰이는 특징 기여도(feature-attribution) 설명 방식 중 하나입니다. 정형 데이터셋에서 최고 성능을 보이는 트리 기반 모델을 대상으로 샤플리 값을 효율적으로 계산하거나 추정하는 접근법들이 개발되어 왔습니다. 그러나 샤플리 값은 작고 현실적인 변화에도 (매우) 취약할 수 있는 것으로 알려져 있습니다. 본 논문에서는 비정밀 디리클레 모델(IDM, imprecise Dirichlet model) 기반의 방법을 제안하여 의사결정 트리와 랜덤 포레스트에서 샤플리 값의 강건성을 분석합니다. 기술적으로는 트리의 리프 노드에 레이블이 지정되지 않은 소수의 인스턴스가 무작위로 유입될 때 발생하는 구간값 샤플리 값을 정량화하고 분석함으로써 수행됩니다. 이러한 구간값 샤플리 값은 불완전한 데이터를 다루는 일반적인 원칙인 비관적 원칙과 평균화 원칙에 따라 정의될 수 있습니다. 본 연구에서는 구간값 샤플리 값을 효율적으로 계산할 수 있도록 이끄는 다양한 이론적 결과를 도출합니다. 또한 제안된 방법이 반자프 값(Banzhaf value)의 경우로도 직관적으로 일반화될 수 있음을 보입니다. 마지막으로 다양한 사례 연구와 실험을 제시하여 제안된 구간값 샤플리 값의 동작 특성과 정보가 없는 특징의 편향 완화(debiasing)에 적용되는 방식을 실증합니다.

arXiv:2610.09873v1cs.CV

빠른 이벤트 처리를 위한 이진 신경망(BNN)의 도입

Bringing BNNs to Fast Event Processing

이진 신경망(BNN)은 가중치와 활성화 함수를 1비트로 압축하여 모델 크기와 추론(inference) 비용을 대폭 줄임으로써 자원 제약이 있는 기기에서 효율적인 심층 학습(deep learning) 배포를 가능하게 합니다. 이벤트 카메라는 조밀한 이미지 프레임 대신 비동기 이벤트 스트림을 캡처하여 짧은 지연 시간, 높은 동적 범위(HDR), 저전력 소비 등 상호보완적인 이점을 제공합니다. 두 기술 모두 효율성을 강조함에도 불구하고, 이들을 결합하는 연구는 여전히 거의 탐구되지 않은 상태입니다. 본 연구는 최신 심층 BNN 아키텍처를 이벤트 데이터에 맞게 적응시키고 평가하는 것을 목표로 합니다. 또한 RGB 데이터로부터의 교차 모달 사전학습(cross-modal pretraining)이 뉴로모픽 데이터셋에서 BNN의 분류(classification) 정확도를 향상시킬 수 있음을 보입니다. 우리는 이벤트 카메라 데이터를 BNN에서 직접 처리할 수 있게 하며 완전 이진화된 이벤트 기반 비전 시스템을 향한 발걸음을 나타내는 이진 표현인 극성별 이진 이벤트 볼륨(PBEV)을 소개합니다. N-Caltech101 분류 벤치마크에서 평가된 최고 성능의 BNN은 전정밀도(full-precision) 모델 대비 7.5배 적은 연산량으로 90.58%의 정확도를 달성했습니다.