mif.vu.lt

이 이메일 도메인이 관측된 논문 3건

arXiv:2610.10496v1cs.NE

Sentinel-2를 활용한 호수 내 엽록소-$a$ 예측을 위한 진화적 신경망 구조 탐색

Evolutionary Architecture Search for Chlorophyll-$a$ Prediction in Lakes using Sentinel-2

전문가가 설계한 분광 특성을 포함하는 소규모 정형 데이터셋(tabular dataset)은 실제 운용 단계의 지구 관측에서 보편적으로 사용되며, 이에 적용되는 네트워크 또한 대체로 수작업으로 설계됩니다. 본 연구에서는 기발표된 Sentinel-2 녹조 분류 모델을 재검토하고, 기존 연구의 작업(task), 특성, 호수 수준 학습/테스트 분할을 고정한 상태에서 신경망 구조 탐색(architecture search)이 어떠한 이점을 제공하는지 살펴봅니다. 정규화된 진화(regularized evolution) 기법으로 확장된 다층 퍼셉트론 공간을 탐색하고 내부 교차 검증 AUC만을 기준으로 모델을 선택한 결과, 가장 강력한 수작업 설계 기준 모델 대비 26배 적은 409개의 학습 가능한 파라미터만을 사용하면서도 테스트셋 AUC를 0.790에서 0.820으로, 정확도를 0.733에서 0.748로 향상시키는 네트워크를 발견했습니다. 이 탐색은 단일 좁은 층, RMS 정규화, $\tanh$ 활성화 함수, 계단식 감소(step-decayed) RMSprop, 가중치 평균화와 같이 실무자가 기본적으로 떠올리기 어려운 일관된 구성 방식으로 수렴합니다. 결과 모델의 크기는 1.6\,kB에 불과하여 본 연구의 동기가 된 온보드 스크리닝 트리거로 활용하기에 충분히 작습니다. 코드: https://github.com/VU-AIML/automl4eo-bloom-nas.

arXiv:2610.10491v1cs.CV

태양광 패널 분할을 위한 자동 연구(AutoResearch)에서의 통찰

Insights from Autoresearch for Solar Panel Segmentation

본 논문은 코딩 언어 모델이 1시간의 GPU 예산 내에서 학습 프로그램을 수정하고 검증 IoU가 향상될 때만 변경 사항을 유지하는 프로토콜인 AutoResearch를 조사합니다. 이 프로토콜은 DeepLabV3-ResNet-50을 고정한 채 동결된 실제 이미지 분할 데이터셋을 사용한 태양광 패널 분할(segmentation) 작업에 적용됩니다. Gemma 4 12B 및 Qwen3-8B를 사용한 24회 실험으로 구성된 세 차례의 캠페인은 모두 1시간 기준 베이스라인을 향상시키지만, 유지된 수정 사항은 서로 다른 하드웨어 간에 전이되지 않습니다. 실제 이미지만으로 학습된 Qwen3-8B 구성은 기준이 되는 생성적 적대 신경망(GAN) 증강 스케줄의 0.833 대비 0.836의 테스트 IoU에 도달합니다. 연구 저장소: https://github.com/VU-AIML/automl4eo-autoresearch-segmentation.

arXiv:2609.09796v1cs.LG

중규모 블랙박스 전역 최적화를 위한 실용적인 DIRECT 유형 알고리즘

A practical DIRECT-type algorithm for medium-scale black-box global optimization

DIRECT 알고리즘은 다목적성과 균형 잡힌 탐험(exploration)-활용(exploitation) 전략으로 알려진 결정론적 전역 최적화 방법이다. 그러나 DIRECT 유형 알고리즘은 주로 저차원 문제에서 효과적이며, 차원이 증가함에 따라 수렴(convergence)이 느려지는 경우가 많아 더 복잡한 최적화 과제에 대한 적용성이 제한된다. 이러한 한계를 해결하기 위해 본 논문은 동적 분할(dynamic partitioning)과 하이브리드화(hybridization) 기법을 결합한 새로운 DIRECT 유형 알고리즘인 X-DTC-GL을 제안한다. 동적 분할 방식은 국소 1차원 대리 모델(surrogate model)을 기반으로 탐색 공간을 적응적으로 세분화하여, 유망한 초직육면체(hyper-rectangle)를 빠르게 분할할 수 있게 한다. 하이브리드화 전략은 대리 모델이 식별한 유망 영역을 활용하기 위해 언덕 오르기(hill-climbing) 방법을 선택적으로 사용한다. 서로 다른 네 가지 벤치마크 스위트에 대한 광범위한 실험 결과, X-DTC-GL은 기존 DIRECT 유형 베이스라인을 크게 능가하여 해결 가능성(solvability)에서 약 12%, 해의 품질에서 약 27%의 향상을 달성했다. 성능 프로파일(performance-profile) 분석에 따르면, 최대 약 40%의 인스턴스에서 가장 빠른 수렴을 보였고, 약 17%의 문제에서 최고의 실행 시간 성능을 기록했으며, 전체 실행 시간 또한 경쟁력을 갖추었다. 이러한 발전은 분할 기반 프레임워크 내에서 성능을 개선함으로써, 최첨단 블랙박스 최적화 분야에서 이 알고리즘의 경쟁력을 강화한다.