khu.ac.ir

이 이메일 도메인이 관측된 논문 2건

arXiv:2608.24381v1cs.LG

자기지도 사전학습은 언제 표 형식(tabular) 모델에 도움이 되는가? 레이블 부족과 결측 데이터에 대한 연구

When Does Self-Supervised Pretraining Help Tabular Models? A Study of Label Scarcity and Missing Data

자기지도 학습(Self-supervised learning, SSL)은 표 형식(tabular) 데이터에 대한 유망한 접근법으로 부상했지만, 극심한 레이블 부족과 테스트 시점 결측 상황에서의 효과는 아직 충분히 탐구되지 않았다. 본 논문에서는 14개의 다양한 분류 과제에서 마스크-복원(mask-and-recover) SSL 사전학습 목적 함수를 처음부터 학습(training from scratch)한 모델 및 고전적 베이스라인과 비교하여 평가한다. 첫째, SSL은 평균적으로 처음부터 학습한 모델보다 우수하고 최첨단 트리 앙상블과도 경쟁력을 유지하지만(레이블 10%에서 SSL은 ~0.8954 AUC, Random Forest는 0.9015 AUC), SSL 대비 처음부터 학습 모델의 성능 향상은 과제 간 분산이 크고 유의하지 않다(레이블 5% 및 10% 모두에서 p = 0.626). 둘째, 결측값 대체(imputation) 목적 함수가 원래 결측이 있는 데이터셋에 보편적으로 도움이 된다는 가설과 달리, SSL은 결측이 없는 깨끗한 데이터셋에서 가장 안정적인 개선을 보였고, 내재적 결측률이 높은 데이터셋에서는 성능을 저하시키는 경우가 잦았다. 셋째, 이러한 학습 분산에도 불구하고, SSL로 사전학습된 모델은 완전 무작위 결측(MCAR) 주입(+0.0245 AUC, 14개 과제 중 11개에서 양의 향상)과 구조적 결측 변화(MNAR, +0.0418 AUC, 14개 과제 중 8개에서 양의 향상) 모두에서 처음부터 학습한 모델보다 평균 AUC가 높았으나, 다중 비교에 대한 Holm-Bonferroni 보정 후에는 두 차이 모두 통계적으로 유의하지 않았다(보정된 p는 각각 0.118 및 0.518). 넷째, 동일한 인코더 아키텍처 하에서 본 마스크-복원 목적 함수를 확립된 세 가지 표 형식 SSL 베이스라인(VIME, SCARF, SubTab)과 비교한 결과, 어느 것과도 유의한 차이가 없었으며(보정된 p = 0.459, p = 1.000, p = 1.000), 이는 본 연구의 결과가 특정 프리텍스트 과제(pretext task) 하나의 특이성이 아니라 표 형식 SSL의 일반적 특성을 반영함을 시사한다.

arXiv:2607.09566v1cs.CE

카디널리티 제약 조건 하에서 강화된 다목적 진화 알고리즘을 활용한 대규모 포트폴리오 최적화 문제

Large-Scale Portfolio Optimization Problem Under Cardinality Constraint With Enhanced Multi-Objective Evolutionary Algorithms

금융 시장에서 이용 가능한 대안의 수가 증가함에 따라 의사결정은 투자자들에게 점점 더 어려운 과제가 되고 있다. 지난 수십 년간 활발히 연구되어 온 분야 중 하나는 투자자가 어떤 자산에 얼마를 투자해야 하는지를 결정하는 포트폴리오 최적화(portfolio optimization)이다. 최적화 모델에 현실적인 조건을 도입하면 문제가 NP-난해 문제로 변환되어 정확한 방법으로는 해를 구하기 어렵기 때문에, 연구자들은 근사해를 구하기 위해 진화 알고리즘(evolutionary algorithms)에 주목해 왔다. 본 논문에서는 카디널리티 제약 조건 하에서의 포트폴리오 최적화 문제에서 빠른 수렴 속도와 광범위한 탐색 능력을 제공할 수 있는 다목적 진화 알고리즘(multi-objective evolutionary algorithms)의 강화 전략을 제안한다. 이러한 특성을 구현하기 위해, 포트폴리오 내 자산 수에 하한 및 상한을 설정하는 해당 문제를 해결하기 위한 고유한 해 표현 방식, 새로운 연산자, 그리고 새로운 복구 메커니즘(repair mechanisms)이 도입된다. 이를 위해 새로운 교배 전략(mating strategies)과 앞서 언급한 패키지가 잘 알려진 다목적 진화 알고리즘에 구현되어 문제를 해결한다. 맞춤화된 알고리즘은 이후 잘 알려진 시장 지수를 벤치마크로 사용하여 기존 알고리즘과 비교 평가된다. 결과는 제안된 전략이 시장 내 자산 수가 증가하더라도 성능 손실 없이 더 나은 근사해를 제공할 뿐만 아니라 더 빠르게 수렴함을 보여준다.