상자나 방의 모서리처럼 세 개의 수직한 변이 만나는 곳은 이미지에서 한 점에서 만나는 세 선분으로 나타난다. 우리는 이러한 접합부가 보정되지 않은 카메라의 내부 매개변수에 대해 무엇을 드러내는지 묻는다. 각 접합부는 카메라들의 명시적인 볼록 집합과 일치하며, 초점 거리만 알려지지 않은 경우 이 집합은 닫힌 형태의 구간이 된다. 이러한 집합은 이미지만으로 계산되므로 여러 접합부로부터의 보정은 볼록 실현 가능성 문제가 된다. 거의 모든 접합부는 초점 거리의 하한을 제공하며, 우리는 언제 상한도 제공하는지, 그리고 언제 여러 접합부가 초점 거리를 정확히 결정하는지를 규명한다. 꼭짓점이 알려진 경우, 측정된 변 방향의 임의의 유계 오차에 대해 경계를 인증할 수 있다.
본 연구에서는 무작위로 생성된 부분공간을 따라 학습함으로써 학습 문제의 구조적 복잡도를 측정하는, Li et al. (2018)이 도입한 목적 함수 지형의 내재 차원 개념을 형식화한다. 집합 $\Theta\subset\mathbb{R}^p$의 내재 차원을, $\mathbb{R}^p$에서 차원이 $d_{\mathrm{int}}(\Theta)$인 무작위 평면이 확률 1로 $\Theta$와 교차하는 최소 차원 $d_{\mathrm{int}}(\Theta)$로 정의한다. 이것이 $\Theta$의 전역 기하에 의존하는 일반화된 여차원 개념임을 보인다. 내재 차원의 수학적 성질을 연구하고, 학습 문제에서 나타나는 집합 $\Theta$의 내재 차원을 추정하는 기법을 개발한다. 보다 구체적으로, 유한 및 무한 표본의 경우와 정규화가 있는 경우와 없는 경우를 포함하여, 얕은 ReLU 신경망과 깊은 ReLU 신경망의 학생-교사 설정에서 $\Theta$가 최적 파라미터 집합일 때의 상한 및/또는 하한을 도출한다. 우리의 이론이 새로운 유형의 일반화 경계로 이어지는 방식을 논의하며, 이를 통해 내재 차원이 학습 복잡도의 척도임을 보인다. 본 결과는 ReLU 신경망의 대칭성 분류와 확률 기하학처럼 겉보기에 서로 다른 기계학습 연구 분야의 기법들을 연결한다.
우리는 커널 평행이동들의 생성 공간이 양의 정부호 커널의 주요 $s$차원 고유공간에 가능한 한 가까워지도록 $m$개의 랜드마크 점을 선택하는 문제를 연구한다. 자연스러운 척도는 두 부분공간으로의 재생 커널 힐베르트 공간(RKHS) 사영 연산자 사이의 힐베르트-슈미트 연산자 불일치이다. 절단된 Mercer 커널을 이용한 닫힌 형태의 스펙트럼 정렬 함수를 제시하고, 이를 양측 샌드위치 부등식을 통해 고전적인 적분 파워 함수(Nyström 대각합 오차)와 연결한다. 랜드마크 좌표에 대한 경사하강법으로 이 함수를 최소화하면 균등한 간격의 랜드마크 집합이 얻어진다. 이론적 결과는 최적 구성이 고유함수 샘플링 행렬이 스케일된 등거리 사상인 구성임을 보여 준다. 동차 공간에서 이들은 주요 고유함수 곱에 대한 최소 등가중 구적법과 정확히 일치하며, 모든 $m\ge s$에 대해 샘플링된 고유함수가 단위 노름 타이트 프레임을 이루는 구성이다. $\mathbb{S}^1$과 $\mathbb{S}^2$에서의 실험은 이론과 일치한다. 원 위에서 $s\le2m$이고 대역폭이 적당하면 모든 무작위 시작점이 등간격 랜드마크로 수렴하며, 구 위에서는 최적화기가 무작위 시작점으로부터 정사면체, 정팔면체, 정이십면체를 복원한다. 마지막으로 이 문제의 수치적 조건을 분석한다.
본 논문은 볼록체의 모임 위에서 기울기 흐름을 기술하는 문제를 다룬다. 이는 역문제에서 제기되는 근본적인 질문에서 비롯된다. 정칙화 기법으로 비정치(ill-posed) 역문제를 풀고자 한다고 하자. 볼록 정칙화기의 최적 선택을 사전 데이터로부터 직접 학습할 수 있는가? 그러한 최적 정칙화기를 계산하는 수치 알고리즘이 주어졌을 때, 그 반복해의 진화를 기술하는 원리적인 방법이 있는가? 본 논문의 목적은 이러한 질문에 답하기 위한 토대를 마련하는 것이다. 이를 위해 부피 제약 하에서 사전 데이터 분포에 대한 게이지 평가의 기댓값을 최소화하는 볼록체를 찾는 것에 기반한 최적 정칙화기의 기준을 고려한다. 이 정식화는 처음에는 비볼록이지만 극(polar)으로 옮기면 숨은 볼록성을 지닌다. 전역 최적성을 보증하는 카루시-쿤-터커(KKT) 조건을 규명한다. 또한 $L^2$ 기울기 흐름과 하우스도르프 벌점을 갖는 최소화 이동 기법을 분석한다. 결과에 따르면 목적함수 격차는 기울기 흐름을 따라 지수적으로 감소하며, 하우스도르프 기법에 대해서는 목적함수 격차와 최적 볼록체까지의 거리 모두에 대해 차원에 의존하는 수렴률을 얻는다. 마지막으로 KKT 조건을 적용하여 명시적인 최적 볼록체를 찾는다. 최적 비볼록 정칙화기가 $\ell_p$-준노름($p \in (0,1)$)인 데이터에 대해서는 최적 볼록 정칙화기가 부피 정규화된 $\ell_1$-공이다. 쌍을 이룬 기저 원자로 기술되는 데이터에 대해서는 최적 볼록 정칙화기가 이동된 존오토프(zonotope)의 극이다.
변분 정칙화는 통계적 추론 과제와 역문제를 푸는 고전적인 기법이며, 심층 신경망으로 정칙화기를 매개변수화하는 현대의 데이터 기반 접근법은 인상적인 실험적 성능을 보여 준다. 이러한 방향의 최근 연구들은 과제 의존적인 정칙화기를 학습한다. 이는 측정값과 실측 데이터에 대한 정보를 비지도 방식의 비평자 기반 손실 함수에 통합하여 이루어지며, 정칙화기는 그럴듯한 데이터에 낮은 값을, 그럴듯하지 않은 데이터에 높은 값을 부여한다. 그러나 이 과정을 통해 학습된 정칙화기의 구조와 그것이 두 데이터 분포와 어떤 관계에 있는지에 관한 이론은 거의 없다. 이 문제에서 진전을 이루기 위해, 본 논문은 특정 정칙화기 족, 즉 별 모양 물체의 게이지(또는 민코프스키 함수) 위에서 정칙화기를 학습하기 위한 비평자 기반 손실 함수의 최적화 연구를 시작한다. 이 족은 실제로 흔히 사용되는 정칙화기를 포함하며 심층 신경망으로 매개변수화된 정칙화기와 성질을 공유한다. 특히 확률 측도 간 통계적 거리의 변분 표현에서 유도된 비평자 기반 손실을 조사한다. 별 기하학과 쌍대 브룬-민코프스키 이론의 도구를 활용하여, 이러한 손실이 데이터 분포에 의존하는 쌍대 혼합 부피로 해석될 수 있음을 보인다. 이를 통해 특정 경우에 최적 정칙화기의 정확한 표현을 도출할 수 있다. 마지막으로 어떤 신경망 구조가 이러한 별 모양 물체 게이지를 만들어 내는지, 그리고 이러한 정칙화기가 언제 최적화에 유리한 성질을 갖는지를 규명한다. 더 넓게 보면, 본 연구는 별 기하학의 도구가 비지도 정칙화기 학습의 기하학을 이해하는 데 어떻게 도움이 될 수 있는지를 보여 준다.
기전-AI 결합 동역학계는 복잡한 생물학적 시스템을 연구하는 데 점점 더 많이 사용되고 있다. 그러나 잡음이 있고 희소하며 부분적으로만 관측된 데이터에 따른 불확실성은 이들의 신뢰성을 제한한다. 본 논문은 최적 수송과 정보 기하의 관점에서 이러한 불확실성을 다루는 체계적인 수학적 정식화를 제시한다. 불확실성 정량화 문제를 리만 계량을 갖춘 확률밀도 공간에서 에너지 범함수를 최소화하는 문제로 정식화하되 손실은 미분방정식을 통해 평가하며, 바serstein 및 Fisher-Rao 계량과 같은 특정 계량 하에서 에너지 범함수의 기울기 흐름에 대한 통일된 기술을 제공한다. 나아가 추상적 수반 민감도 해석을 이용하여 이러한 기울기 흐름을 푸는 해당 수치 방법을 제시한다. 이 정식화는 동역학계에 대한 다양한 베이즈 추론 방법을 연결하며, 수치 실험에서는 공통의 계산 예산 하에서 사후분포 근사와 예측 불확실성을 비교한다. 또한 동역학 모델링과 이질성 진화 연구에 대한 기하학적 관점도 제공한다.
우리는 두 2차원 점 집합의 정렬을 평가하기 위한 새로운 비유사도 측도인 다중 스케일 클로징 지수(Multi-scale Closing Index, MCI)를 소개한다. MCI는 0과 1 사이로 제한되며 다중 스케일 수학적 형태학 연산에 기반하고, 값이 작을수록 구조적 일치도가 높음을 나타낸다. 이 측도는 생물학적 이미지에서 세포 집단을 나타내는 점 집합 간 정합 품질을 평가할 필요에서 착안되었다. 통제된 조건에서의 거동을 평가하기 위해, 우리는 생물학적으로 그럴듯한 공간 조직을 모사하는 기존 접근법에 따라 Perlin 노이즈 기반 공간 구조로부터 합성 점 구름을 생성하였다. 우리는 이러한 점 구름과 국소 섭동, 점 제거, 평행 이동, 회전, 임펄스 노이즈 추가로 얻은 여러 변환 버전 사이의 MCI를 평가하였다. 이러한 실험 전반에서 비유사도 MCI는 섭동 강도에 따라 점진적이고 일관되게 증가했으며, 동일한 기저 공간 구조에서 비롯된 점 구름과 서로 다른 구조에서 생성된 점 구름 사이에서는 뚜렷한 불연속성을 보였다. 우리는 또한 MCI를 Hausdorff 기반 측도와 Sliced Wasserstein 거리를 포함한 흔히 사용되는 점 집합 거리와 비교하였다. 이러한 실험은 MCI가 구조적 일치를 포착하고 점 집합 간 편차를 정량화하는 능력이 있음을 보여 주며, 2차원 점 집합 정합을 평가하기 위한 보완적 지표로서의 잠재력을 강조한다.
우리는 유클리드 단위 공 $B_d\subset\mathbb R^d$를 상대 대칭차 부피 오차 $\varepsilon\in(0,1)$ 이하로 근사하는 데 필요한 꼭짓점 수에 대한 정밀한 추정치를 제시한다. 최소 꼭짓점 수 $N_\varepsilon(d)$가 $$\log N_\varepsilon(d)\asymp d\log\left(1+\frac1{\varepsilon\sqrt d}\right)$$ 를 만족함을 보인다. 특히 모든 $\varepsilon\in(0,1)$와 충분히 큰 모든 $d$에 대해 $\exp(O(\sqrt d/\varepsilon))$개의 꼭짓점으로 충분하다. 또한 고정된 오차 $\varepsilon\in(0,1)$를 달성하려면 적어도 $\Omega\bigl((\tfrac{1+\varepsilon}{2\sqrt\varepsilon})^{d-1}\bigr)$개의 면, 즉 $d$에 대해 지수적인 수의 면이 필요함을 증명한다. 꼭짓점 근사 결과를 가우스 대칭차 오차로 확장하고, 유클리드 공을 근사하는 데 필요한 꼭짓점 복잡도가 지수보다 작은지에 대한 De, Nadimpalli, Servedio의 질문에 긍정적으로 답한다. 또한 제약 없는 꼭짓점 근사에 대한 Macbeath 유형의 극값 원리를 반증한다. 공이 모든 볼록체 중에서 내접 근사 오차를 균일하게 최대화한다는 사실(Macbeath, 1951)과 달리, $\delta:=1-\varepsilon$일 때 초입방체 $[-1,1]^d$를 상대 오차 $\varepsilon$로 근사하려면 $d\ge16\log(2/\delta)$인 경우 $N\ge\frac{\delta}{2}\exp(\Omega(\delta^2d/\log^2(2/\delta)))$개의 꼭짓점이 필요함을 보인다. 따라서 $d$가 클 때 이 의미에서는 입방체가 공보다 근사하기 어렵다. 마지막으로, 고전적인 Laguerre-Delone 삼각분할 수의 정밀한 차원 차수를 결정하여 $d\to\infty$일 때 $\mathrm{ldel}_{d-1}=\Theta(d^{-1/2})$임을 보인다. 이는 Ludwig, Sch\"utt, Werner의 상한과 B\"or\"oczky의 하한을 모두 $\sqrt d$ 차수만큼 개선한다. 고전적인 점근 근사 정리(Ludwig, 1999)에 의해, 이 개선은 $C^2$ 경계와 양의 가우스 곡률을 갖는 $\mathbb R^d$의 모든 볼록체에 적용된다.
다양체 가설은 데이터가 주변 차원보다 작은 내재 차원(ID)을 갖는 다양체 위에 놓여 있다고 본다. 그러나 현실적인 데이터셋에 대해 서로 다른 추정기가 내놓는 ID 추정값에는 경험적 합의가 없다. 따라서 표적화된 스트레서(stressor)로 ID 추정기(IDE)를 시험하는 것이 중요하다. 본 연구에서는 비등방성의 역할을 고려한다. 이를 위해 ID 추정기를 벤치마킹하기 위한, 비등방성 임베딩을 갖는 동차 공간의 모음인 HomID를 제안한다. 표준 벤치마크에서 우수한 성능을 보이는 방법들이 동일한 자원 할당 하에서 HomID에서는 체계적으로 성능이 저하됨을 관찰한다. 또한 이러한 벤치마크에 비등방성 왜곡을 가해도 성능 저하가 발생함을 관찰한다. 마지막으로, 제어된 비등방성 왜곡이 이들 방법이 의존하는 분포에 체계적인 변화를 유발함을 보이며, 이를 통해 두 가지 특정 IDE에서 나타나는 추정 오차의 구체적인 메커니즘을 제시한다. 프로젝트 코드는 https://github.com/a-writes-code/homid 에서 이용할 수 있다.
데이터 기반 역문제(inverse problem)의 핵심 질문은 데이터 분포의 기하학적 구조에 적응하는 정규화(regularization) 기법을 어떻게 구축할 것인가이다. 최적 정규화에 대한 최근 연구는 광범위한 깁스(Gibbs) 클래스 내에서 분포 $P$에 가장 잘 부합하는 정규화 기법이 방향 의존적인 단일 방사형 요약 통계량 $ρ_P$에 의해 결정됨을 보여준다. 이는 데이터를 변환함으로써 정규화 기법의 기하학적 구조를 제어할 수 있는 방법을 시사한다. 특히, 어떤 변환이 $ρ_P$에 단순하고 명시적인 방식으로 작용하는가? 이러한 변환이 결과적으로 도출되는 변분 문제의 최적화(optimization) 특성을 개선하거나 고정된 기본 정규화 기법을 데이터에 적응시킬 수 있는가? 이러한 질문을 다루기 위해, 우리는 각 점을 구면(sphere) 위의 양의 프로파일에 따라 유클리드 반직선을 따라 재조정하는 방향 보존 사상인 비등방성 팽창(anisotropic dilation)을 도입한다. 그 단순함에도 불구하고, 이 군(family)은 방사형 요약 통계량 공간에서 전이적으로 작용한다. 즉, 깁스 클래스의 모든 목표 정규화 기법은 단일 명시적 프로파일을 통해 임의의 원천 분포로부터 도달할 수 있다. 우리는 분포에 대한 결과적인 궤도(orbit) 구조를 규명하고, 고정된 기본 정규화 기법을 데이터에 최적으로 적응시키는 프로파일을 닫힌 형식(closed form)으로 유도하며, 등방성 재조정 대비 성능 향상이 여러 자연스러운 군에서 양수임이 증명 가능한 젠센 갭(Jensen gap)에 의해 좌우됨을 보인다. 또한 기본 정규화 기법과 비등방성 프로파일을 공동으로 학습할 때의 유한 표본 일반화 경계를 도출하고, 프로파일의 로그가 선형 특징(feature) 모델이나 희소 렐루(ReLU) 네트워크로 매개변수화될 때의 명시적 수렴 속도를 확립한다. 이러한 이론을 바탕으로 기본 정규화 기법과 비등방성 프로파일을 매개변수화하여 표본으로부터 공동으로 학습함으로써, 변분 역문제를 위한 데이터 적응형 정규화 기법을 도출한다. 통제된 2차원 군 및 MNIST 노이즈 제거(denoising) 실험은 프로파일을 학습하는 것이 성능을 더욱 향상시킴을 보여준다.
초거리 공간(ultrametric space) 또는 무한대-메트릭 공간(infinity-metric space)은 삼각형의 모든 변이 다른 두 변 중 더 큰 변보다 크지 않다는 강한 삼각 부등식을 만족하는 비유사도 함수로 정의됩니다. 본 연구에서는 밴티지 포인트 트리(vantage point tree)를 사용한 초거리 공간에서의 검색이 트리의 깊이와 동일한 최악 조건 복잡도(worst-case complexity)를 가짐을 보입니다. 관심 대상이 되는 데이터셋은 일반적으로 초거리 공간을 따르지 않으므로, 최근접 이웃(nearest neighbors)을 보존하면서 임의의 비유사도 함수를 초거리 공간으로 변환하는 투영 연산자(projection operator)를 도입합니다. 나아가 쿼리 포인트와 데이터셋 내 포인트 간의 초거리 거리를 효율적으로 계산하기 위해 이 투영 연산자의 근사를 학습합니다. 이어서 삼각형의 변을 $q$제곱한 값이 다른 두 변의 $q$제곱의 합보다 작은 $q$-메트릭 공간에서의 투영을 고려하는 보다 일반적인 문제를 해결합니다. 투영된 $q$-메트릭 거리의 학습된 근사를 사용하면 검색 파이프라인이 근사(approximate) 검색으로 변환된다는 점에 유의해야 합니다. 실험을 통해 $q$ 값이 증가할수록 검색 속도는 빨라지지만 재현율은 낮아짐을 보입니다. 전반적으로 $q$-메트릭 및 무한대-메트릭 공간에서의 검색은 기존 검색 방식과 비교해 경쟁력이 있습니다.
본 논문에서는 기존에 알려진 여러 구조를 동시에 일반화하는 랜덤 폴리토프(random polytope) 클래스를 소개합니다. 이 폴리토프들은 상당히 일반적이면서도 계산적으로 매우 다루기 쉽다는 장점이 있습니다. 우리는 이러한 특성을 데이터 분석의 분류(classification) 및 군집화 태스크에 어떻게 활용할 수 있는지 제시합니다. 특히, 제안하는 구조를 통해 사용자는 데이터에 대한 더욱 긴밀한 기술과 더 빠른 연산 속도 사이의 트레이드오프를 매끄럽게 조절할 수 있습니다.
고처리량 단일 세포 및 공간 전사체(spatial transcriptomic) 기술은 이질적인 세포 상태의 고해상도 스냅샷을 제공하지만, 이러한 기술은 세포를 파괴하기 때문에 동일한 세포를 시간에 따라 반복 측정할 수 없다. 따라서 시간적·공간적 동역학은 독립적으로 샘플링되어 정렬되지 않은 세포 집단으로부터 추론해야 하며, 이로 인해 발생 궤적을 재구성하기가 어렵다. 최적 수송(Optimal Transport, OT)은 세포 집단을 정렬하고 발생 궤적을 추론하기 위한 기하학적 프레임워크를 제공하지만, 기존 접근법의 상당수는 유전자 발현 네트워크에 담긴 관계적 구조가 아니라 유전자 발현 공간에서 세포 분포의 변화를 모델링하는 데 초점을 맞추고 있다. 이러한 한계를 해결하기 위해, 본 연구에서는 Gromov--Wasserstein(GW) 공간으로의 임베딩(embedding)을 통해 유전자 발현 네트워크의 시공간적 변화를 분석하는 기하학적 프레임워크를 제안한다. 각 발생 단계를 유전자 발현과 공간적 근접성을 결합한 그래프로 표현함으로써, 본 접근법은 시간에 따른 네트워크 구조의 비교, GW 측지선(geodesic)을 통한 발생 단계 간의 연속적인 보간, 그리고 Ollivier-Ricci 곡률을 이용한 네트워크 수준 변화의 정량화를 가능하게 한다. 시공간 전사체 \textit{Drosophila} 데이터셋에서 본 프레임워크를 평가한 결과, GW 측지선 보간이 실제 유전자 발현 네트워크에서 관찰되는 곡률 동역학의 주요 경향을 재현함을 확인하였다. 공간 정보와 시간 정보를 함께 나타내는 고차 공동 최적 수송(Co-Optimal Transport, COOT) 거리와의 일치는 본 프레임워크를 추가로 뒷받침하며, 하이퍼네트워크 표현이 시간에 따른 중요한 생물학적 변화를 성공적으로 포착함을 시사한다. 종합하면, 본 접근법은 동적으로 변화하는 생물학적 네트워크를 연구하기 위한 통합적인 기하학적 접근법을 제공한다.
일반적으로 학습의 통계역학은 가중치(weight) 분포에 대한 제약을 가능한 해의 공간을 축소하는 제한 사항으로 취급합니다. 따라서 이는 모델(model) 용량을 감소시킵니다. 본 논문에서는 분포 제약 퍼셉트론에 관한 이전 연구를 기반으로 이와 반대되는 접근 방식을 취하고자 합니다. 사전에 규정된 가중치 분포를 단순한 제한으로 취급하기보다, 학습이 자연스럽게 전개되는 고유한 기하학을 정의하는 것으로 제안합니다. 저자들은 심층 신경망과 변분 양자 회로(variational quantum circuits)를 모두 곱 바서슈타인 다양체(product of Wasserstein manifolds) 상의 그래디언트(gradient) 흐름으로 정식화합니다. 즉, 각 층(layer)에 대한 하나의 고전적 바서슈타인 공간과 회로 파라미터를 위한 하나의 양자 바서슈타인 공간으로 구성됩니다. 이 기하학 내에서 기존에는 분포 제약과 연관되었던 용량 감소가 제약 다양체 자체의 계량 구조(metric structure)로 나타납니다. 심층 신경망을 위한 계층적 평균장(mean-field) 설명을 개발하고, 1차 양자 바서슈타인 거리를 사용하여 프레임워크를 양자 환경으로 확장하며, 곱 다양체 자체의 근사 측지선(geodesics)을 따르는 두 가지 실용적인 알고리즘인 Hierarchical DisCo-SGD와 Quantum DisCo를 소개합니다. 교사-학생(teacher-student) 문제, 표준 이미지 분류(image classification) 작업, 소규모 변분 양자 분류기(variational quantum classifiers)에 대한 실험은 이러한 분포 기하학을 준수하는 것이 제약이 없거나 순수하게 노름(norm) 기반의 베이스라인과 비교하여 일반화를 개선하고 학습(training)을 안정화하며 바렌 고원(barren plateaus)의 심각도를 완화함을 보여줍니다. 이 접근법은 구조적 제약을 기하학적 사전 확률(geometric priors)로 재구성하며, 생물학적, 스펙트럼적 또는 하드웨어에서 파생된 분포 정보를 고전 및 양자 학습 시스템 모두에 통합하는 경로를 제시합니다.
집합의 하우스도르프 차원은 리에스 에너지를 이용해 판별할 수 있다. 본 논문에서는 점列 $\{x_n\}$이 적절한 의미에서 집합 $E \subset \mathbb{R}^d$를 ``채우는'' 상황을 고려하고, 이러한 집합들의 리에스 에너지에 대한 이산 아날로그가 $E$의 하우스도르프 차원을 어느 정도까지 한정할 수 있는지를 조사한다. 또한 데이터 과학 및 에르�ős/팔코너(Erdős/Falconer) 유형 문제에 대한 응용을 논의한다.
풍부 범주(enriched category)의 오일러 특성(Euler characteristic)의 특수 경우로 얻어지는 magnitude는 거리 공간(metric space)의 크기에 대한 개념을 나타내며, 카디널리티(cardinality), 차원(dimension), 부피(volume) 등 고전적 개념과 관련이 있다. Magnitude의 의미를 다양한 관점에서 설명해 온 선행 연구들과 더불어, 연속성(continuity) 역시 magnitude를 이해하는 데 유용한 시각을 제공한다. Magnitude의 연속성과 최대 다양성(maximum diversity)에 관한 기존 결과를 바탕으로, 본 논문은 그 총합이 magnitude가 되는 분포인 가중치(weighting)의 연속성과 최대 다양성에 대응하는 변동에 초점을 맞춘다. 한편, 최근 연구들은 데이터 또는 모델 파라미터 집합을 나타내는 점 구름(point cloud)에 magnitude 이론을 적용함으로써 magnitude와 데이터 분석 간의 연결을 규명하였다. 본 논문은 또한 주기적 시계열(periodic time series)의 새로운 종류의 불변량(invariant)을 도입하여 시계열 분석에의 응용을 제시하며, 해당 불변성은 연속성 결과로부터 직접 도출된다. 활용 사례로, 실세계 데이터를 이용한 간단한 머신러닝 실험을 수행하였으며, 제안된 불변량이 성능을 향상시켰다.
LLM 기반 진화적 연산(LLM-guided evolutionary computation), 특히 AlphaEvolve는 도전적인 최적화 문제를 해결함으로써 새로운 수학적 구성을 발견하는 데 놀라운 성과를 거두었다. 표준적인 접근 방식은 후보 해를 직접 출력하는 단일 프로그램을 진화시키는 것이다. 우리는 LLM에 대한 인지 부하를 획기적으로 줄이는 알고리즘적 대안인 ImprovEvolve를 제시한다. 종단간 옵티마이저(end-to-end optimizer)를 모델에게 요청하는 대신, 초기화, 지역 개선(local improvement), 섭동(perturbation)이라는 세 가지 특화 연산자를 갖는 프로그램을 진화시킨다. 이후 지역 개선과 강도 스케줄 섭동을 반복적으로 적용하여 최적값에 접근함으로써, LLM이 진화시킨 서브루틴을 활용한 베이신-호핑(basin-hopping) 탐색을 효과적으로 구동한다. 육각형 속 육각형 패킹(hexagon in hexagon packing) 문제에서 ImprovEvolve는 11, 12, 15, 16개 육각형에 대한 새로운 최고 수준의 패킹을 발견하며, 생성된 코드에 최소한의 전문가 튜닝을 거쳐 14, 17, 23개 육각형에 대해서도 추가로 발견한다. 두 번째 자기상관 부등식(autocorrelation inequality)에서는 진화된 프로그램을 인간이 확장하여 하한을 0.96102에서 0.96258로 높인다. 구면 코드(spherical codes)에서는 ImprovEvolve 프로그램이 무작위로 선택된 다양한 최고 수준 구면 코드 90개 중 대다수에 대해 알려진 최대 코사인을 낮추며, 최대 2.4%의 상대적 개선을 달성한다.
다중 종 공간 데이터는 생체의학 영상, 지리공간 분석, 종 생태학을 포함하여 서로 다른 개체 간의 상호작용이 시스템 행동의 핵심인 다양한 응용 분야에서 발생합니다. 그 중요성에도 불구하고 이러한 상호작용을 포착할 수 있는 정량적 도구는 상대적으로 적습니다. 본 연구에서는 다중 종 공간 데이터 분석을 위한 크기 기반 특징을 제안합니다. 크기(Magnitude)는 공간 구성과 스케일을 모두 통합하여 유효 점 개수로 해석될 수 있는 유한 거리 공간의 실수값 불변량입니다. 우리는 전역 및 국소 크기 특징 벡터를 개발하고, 합성 종양 미세환경 데이터와 인간 대장암 샘플에서 얻은 조직 마이크로어레이 데이터에서 그 유용성을 입증했습니다. 국소적으로 이 방법은 뚜렷한 이웃 유형을 식별하고 공간 이질성을 드러냅니다. 모델에서는 이것이 시뮬레이션의 서로 다른 정성적 결과와 관련된 방사형 패턴을 포함하는 반면, 실제 데이터에서는 B 세포와 T 세포 집단 간의 삼차 림프구 구조(tertiary lymphoid structure) 유사 상호작용의 중요성을 반영합니다. 전역적으로 이 접근 방식은 합성 데이터의 매개변수 영역에 걸쳐 장기 시뮬레이션 결과의 알려진 분류를 복원하고, CD4+ T 세포와 CD163+ 대식세포가 유리한 크론병 유사 반응을 보이는 환자와 불리한 미만성 면역 침윤을 보이는 환자를 구별하는 데 중요한 역할을 한다는 점을 시사합니다. 종합적으로, 이러한 결과는 크기 기반 특징이 다중 종 공간 데이터 분석을 위한 강력하고 유연한 도구를 제공함을 시사합니다.