PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2110.14961v4cs.LG공식 코드 · Papers with Code

상호작용하는 동적 시스템을 위한 회전-변위 로컬 좌표계

Roto-translated Local Coordinate Frames For Interacting Dynamical Systems

상호작용 모델링은 고도로 비선형적이며 시간에 따라 변하는 동작을 보이는 상호작용 객체 시스템, 즉 복잡한 동적 시스템(dynamical systems)을 학습하는 데 매우 중요합니다. 이러한 시스템의 상당 부분은 기하학적 그래프($\textit{geometric graphs}$), 즉 교통 상황의 차량과 같이 $\textit{임의로}$ 선택된 글로벌 좌표계 하에서 유클리드 공간에 위치한 노드(node)를 갖는 그래프로 정형화될 수 있습니다. 임의의 글로벌 좌표계에도 불구하고, 해당 동적 시스템을 지배하는 동역학은 회전 및 변위(translation)에 대해 불변이며, 이는 갈릴레이 불변성($\textit{Galilean invariance}$)으로도 알려져 있습니다. 이러한 불변성을 무시하면 일반화 성능이 저하되므로, 본 연구에서는 상호작용 동적 시스템의 기하학적 그래프에 회전-변위 불변성을 유도하기 위해 노드 객체별 로컬 좌표계(local coordinate frames)를 제안합니다. 또한, 로컬 좌표계를 통해 그래프 신경망(GNN)에서 비등방성 필터링(anisotropic filtering)을 자연스럽게 정의할 수 있습니다. 교통 상황, 3D 모션 캡처, 충돌 입자에 대한 실험을 통해 제안된 접근 방식이 최근 SOTA(state-of-the-art)를 여유 있게 능가함을 입증합니다.

arXiv:2410.23467v3cs.LG공식 코드 · Papers with Code

쿠프만 기반 순환 신경망

Koopman-informed recurrent neural networks

쿠프만 연산자 이론(Koopman operator theory)과 랜덤 특징 네트워크를 결합하여 역전파 없이 순환 신경망(RNN)의 가중치를 구성하는 Koopman-informed RNN(KIRNN)을 제안한다. 은닉층 파라미터를 무작위로 샘플링하고 외부 가중치를 확장 동적 모드 분해(extended dynamic mode decomposition)로 구성함으로써, 혼돈 동역학 시스템 예측 및 실세계 데이터 실험에서 기존 그라디언트 기반 방법과 유사한 예측 정확도를 유지하면서 학습 시간을 크게 단축한다.