PyTorchKR Papers

최신 논문

총 6편
태그·기간 등 상세 필터

카테고리 탐색

arXiv:2610.06877v1stat.OT

월드 모델은 언제 물리 법칙을 복원할 수 있는가?

When Can World Models Recover Physical Laws?

정확한 예측이 가능하다고 해서 월드 모델(world model)이 물리 법칙을 복원했다고 입증할 수는 없습니다. 서로 다른 동역학이라도 동일한 관측 프로토콜 하에서는 동일한 기록을 생성할 수 있기 때문입니다. 본 연구는 명시적인 실험 목록, 센서 불확실성, 데이터 획득 예산(acquisition budget)이 주어지는 고정된 물리 도메인에서 법칙 복원 문제를 정식화합니다. 율-왜곡(rate-distortion) 역정리를 통해 법칙을 기술하는 데 필요한 정보와 관측 장비가 밝혀낼 수 있는 정보를 분리합니다. 이에 대한 구성적 대응물은 유한 반응 코드북(finite response codebook)과 명시적 디코딩 예산을 제공합니다. 콤팩트한 월드 클래스 상에서 균등 복원은 서로 다른 모든 법칙 쌍이 실험적으로 구별 가능할 때에만 정확히 성립하며, 이는 관측 장비가 모든 유한 법칙 소스의 모든 엔트로피를 복원할 수 있다는 것과 동등합니다. 역반응 계수(inverse response modulus)는 안정성을 정량화합니다. $d$차원 상태-행동(state-action) 도메인의 립시츠(Lipschitz) 필드에서, 리셋 후 노이즈가 있는 전체 상태 판독은 제곱 법칙 오차 $\varepsilon$에 대해 미니맥스 예산 $Θ(\varepsilon^{-(d+4)/2})$을 요구하며, 이는 직접적인 필드 관측에서의 $Θ(\varepsilon^{-(d+2)/2})$와 대비됩니다. 정확한 교차 시간 대칭성(crossing-time symmetries)은 적응형 실험 선택 및 일정한 입력을 갖는 임의 지속 시간 하에서 하한을 확립합니다. 재현 가능한 합성 사례들은 개입(intervention), 보정(calibration), 반복 측정의 개별적인 역할을 보여줍니다. 종합적으로, 본 결과는 물리 법칙 복원이라는 주장을 뒷받침하는 증거가 무엇인지, 그리고 이를 획득하는 데 드는 비용이 얼마인지를 규명합니다.

arXiv:2609.22172v1eess.SP

웨이블릿 및 STFT 특징을 활용한 e-트랜스액슬 품질 모니터링을 위한 단계별 이상치 탐지

Stagewise Anomaly Detection for E-Transaxle Quality Monitoring Using Wavelet and STFT Features

본 논문은 전기차의 e-트랜스액슬(e-transaxle) 조립품 품질 선별을 위한 두 가지 해석 가능한 머신러닝 프레임워크인 단계별 웨이블릿 고립 포레스트(SWIF, Stagewise Wavelet Isolation Forest) 프레임워크와 단시간 푸리에 변환(STFT) 기반 진단 프레임워크를 제시합니다. 전면 및 후면 가속도계에서 획득한 고차원 진동 신호는 여러 작동 단계에 걸쳐 분석되어 단계별 진동 특성을 포착합니다. SWIF 프레임워크에서는 신호가 5단계 도비시-4(Daubechies-4) 이산 웨이블릿 변환을 사용하여 분해되며, 선택된 웨이블릿 세부 수준에서 블록별 평균 제곱 계수를 추출하여 조밀한 다중 스케일 특징을 얻습니다. STFT 기반 프레임워크에서는 시간-주파수 표현에서 주요 주파수 추세를 추출하고 순간 모터 속도에 대한 회귀 계수를 통해 요약합니다. 이상치 탐지 모델은 승인된 조립품 중 극히 일부만이 잠재적 결함을 포함한다는 가정 하에 승인된 생산품을 사용하여 학습(training)되며, 품질 결과가 검증된 도로 주행 테스트 완료 장치를 사용하여 성능을 평가(evaluation)합니다. 생산 및 도로 주행 테스트를 거친 e-트랜스액슬 장치에 대한 실험 결과, 두 접근 방식 모두 해석 가능한 진단 정보를 제공하는 한편, SWIF가 결함 탐지와 오탐(false-positive) 제어 사이에서 가장 우수한 균형을 달성함을 보여줍니다. STFT 기반 방법 및 대안적 이상치 탐지기들과 비교할 때, 고립 포레스트(Isolation Forest)와 결합된 SWIF는 불합격(Reject) 모집단에서 고위험 장치를 식별하면서 합격(Accept) 모집단 내에서 더 낮은 이상치 비율을 산출합니다. 또한 단계별 구조는 이상 거동을 특정 작동 조건으로 국소화하여 근본 원인 분석과 목표 지향적 공정 개선을 지원합니다.

arXiv:2104.11547v4math.ST

전이 조건부 독립성

Transitional Conditional Independence

통계 모델에는 매개변수(parameter), 처치(treatment), 환경(environment), 실험 계획점(design point)과 같이 확률적이지 않은 변수들이 포함되어 있습니다. 일반적인 조건부 독립성은 이러한 변수를 포함하는 관계를 표현할 수 없습니다. 이를 적용하려면 먼저 해당 변수들에 분포를 부여해야 하는데, 이는 진술의 의미를 변화시킵니다. 본 논문에서는 전이 조건부 독립성(transitional conditional independence)을 소개합니다. 이는 비확률적 입력 $T$를 갖는 마르코프 커널(Markov kernel) $K(W|T)$ 상에서 세 변수를 연결하며, 다음과 같은 단일 인수분해로 정의됩니다: \[ X\perp\!\!\perp_{K(W|T)} Y |Z \quad :\iff \quad \exists\, Q(X|Z):\; K(X,Y,Z|T) = Q(X|Z)\otimes K(Y,Z|T).\] 이 관계는 모든 입력 $t$에 대해 동일한 마르코프 커널 $Q(X|Z)$의 존재를 나타냅니다. 따라서 조건부 기댓값 사이의 거의 확실한(almost-sure) 항등식 대신 인수분해를 산출하며, 입력 공간에 대한 분포를 필요로 하지 않습니다. 이 관계는 비대칭적입니다. 우리는 이러한 비대칭성이 필수적임을 보이며, 이를 대칭화하면 의도했던 진술의 의미가 파괴됨을 보여줍니다. 우리는 대칭성(Symmetry)을 제외한 모든 세파로이드(separoid) 규칙의 좌우 버전을 증명합니다. 그중 10개는 임의의 가측 공간(measurable space)에서 성립하고, 나머지는 관련 공간에 대한 한 가지 조건 하에서 성립하며, 대칭성 자체가 성립하는 기준도 제시합니다. 우리는 그 결과로 나타나는 구조를 공리화하고, 이것이 임의의 대칭 세파로이드로부터 이동(shift)을 통해 발생함을 보입니다. 또한 여러 응용 분야를 제시합니다. 보조성(ancillarity), 충분성(sufficiency), 적절성(adequacy)은 사전 분포나 영집합(null set) 없이 매개변수에 대해 점별로(pointwise) 성립하는 인수분해가 되며, 피셔-네이만(Fisher--Neyman) 정리와 바수(Basu) 정리가 이러한 형태를 취합니다. 불변 예측(invariant prediction)의 불변성 가설인 $Y \perp\!\!\perp E | X_S$는 모든 환경 $E$에서 하나의 커널이 $X_S$로부터 $Y$를 예측한다는 본래 의도된 의미를 갖게 됩니다. 그리고 비확률적 입력 노드를 가진 베이지안 네트워크는 임의의 입력 공간에서 마르코프 커널의 인수분해를 반환하는 유향 전역 마르코프 특성(directed global Markov property)을 그래피컬 id-분리(id-separation) 기준을 통해 만족합니다.

arXiv:2607.08979v1cs.LG

쌍별 비교로부터의 최적 상위-$k$ 식별

Optimal Top-$k$ Identification from Pairwise Comparisons

우리는 잡음이 있는 쌍별 비교로부터의 고정 신뢰도 기반 상위-$k$ 식별이라는 능동 학습 문제를 연구한다. 이 문제에서 알고리즘은 비교할 아이템 쌍을 순차적으로 선택하고 결과를 관찰하며, 오류 확률이 최대 $δ$인 상태에서 상위-$k$ 아이템 집합을 반환할 수 있을 때 멈춘다. 목표는 기대 비교 횟수(샘플 복잡도)를 최소화하는 $δ$-정확 절차를 설계하는 것이다. 이 문제는 밴딧 모델에서의 고정 신뢰도 순수 탐험(pure exploration)에 관한 광범위한 문헌에 속하며, 공통적인 목표는 점근적 최적성이다: $δ\to 0$일 때 알고리즘의 기대 샘플 복잡도가 정보이론적 하한과 일치한다. 점근적으로 최적인 절차가 다양한 고정 신뢰도 순수 탐험 문제에 대해 개발되어 왔으나, 우리가 아는 한 잠재 효용 모델 하에서 쌍별 비교를 통한 상위-$1$ 또는 더 일반적으로 상위-$k$ 식별에 대한 점근적 최적 알고리즘은 아직 확립되지 않았다. 이 설정에서 우리는 그러한 알고리즘을 개발한다. 우리는 하한의 구조를 분석하고 이를 안장점(saddle-point) 문제로 정식화한다. 이 구조를 통해 온라인으로 점근적 최적 비교 할당을 학습하는 계산 효율적인 프라이멀-듀얼 절차가 가능해진다. 이후 프라이멀-듀얼 절차가 학습한 할당을 추적하는 적응적 비교 할당 알고리즘을 구성하고, 이 알고리즘이 점근적으로 최적임을 증명한다.

arXiv:2606.20747v1cs.LG

CIExplainer++: 그래프 신경망을 위한 인과적이고 해석 가능한 설명 생성

CIExplainer++: Generating Causal and Interpretable Explanations for Graph Neural Networks

설명 가능한 인공지elligence(XAI)는 모델 출력으로 이어지는 요소를 인간이 이해할 수 있는 방식으로 제시함으로써 블랙박스 모델을 더 신뢰할 수 있게 만드는 것을 목표로 한다. 이는 (i) 출력에 대한 실질적인 인과적 영향을 미치는 구성 요소와 연결을 식별하는 것과 (ii) 이러한 구조를 해석 가능한 표현으로 변환하는 것을 모두 포함한다. 전자에 대해, 우리는 그래프 신경망(GNN) 설명을 위해 인과 추론에 기반한 새로운 교란(perturbation) 기반 방법인 CIExplainer를 제안한다. CIExplainer는 잠재 결과 프레임워크(Potential Outcome Framework)를 사용하여 GNN 예측에 가장 큰 인과 효과를 갖는 부분 그래프(subgraph)를 식별한다. 우리는 다양한 GNN 아키텍처(GCN, GraphSAGE, GAT, GIN)와 데이터셋에서 CIExplainer를 평가하고 비교한다. 부분 그래프 설명과 인간의 해석 가능성 사이를 잇기 위해, 우리는 인과적 부분 그래프를 특징 수준 및 관계적 정보를 모두 포착하는 자연어 설명으로 변환하는 방법인 G2TeXplainer를 추가로 제안한다.

arXiv:2606.18424v1stat.OT

대규모 언어 모델(LLM) 생성기-규제자 게임을 위한 변분 프레임워크

A Variational Framework for LLM Generator-Regulator Games

자기회귀 토큰 샘플링으로 유도된 완전 메시지 분포를 엔트로피 정규화 기브스 법칙과 연결하고, f-발산 쌍대값을 갖는 최적 판별자로 규제를 모델링해 생성기-규제자 상호작용을 안장점 문제로 공식화하는 변분 프레임워크를 제안한다. 모더레이션·검열·AI 기만 탐지·피싱 방어 등 메시지 분포 수준의 규제에 적용되며, 균형 상태는 효용·엔트로피·규제 정합성·유한 길이 탐지 가능성 간 상충 관계를 드러내고 검열 필터링과 피싱 방어 사례 연구로 이론을 평가한다.