PyTorchKR Papers

최신 논문

총 2,847편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.13245v1physics.comp-ph

REMAL: 대리 모델 기반 다학문 설계 분석을 위한 잔차 평형 매니폴드 액티브 러닝

REMAL: Residual Equilibrium Manifold Active Learning for Surrogate-Based Multidisciplinary Design Analysis

다학문 설계 분석의 비용 효율성을 높이기 위해 결합 시스템의 잔차 매니폴드를 학습하는 REMAL 프레임워크를 제안합니다. 멀티태스크 가우시안 프로세스 모델과 엔트로피 기반 액티브 러닝을 활용하여 평형 상태를 복구함으로써, 다양한 공학 벤치마크에서 기존 고정점 반복 방식 대비 비용 절감 효과를 보였습니다.

arXiv:2606.13236v1cs.LG

곤충의 노래 해독: Orthoptera 생물음향 분류를 위한 멀티태스크 반지도학습 분류기

Decoding Insect Song: A Multitask Semisupervised Orthoptera Bioacoustic Classifier

기존 자동화 도구의 한계를 극복하기 위해 약한 지도 종 분류, 자기지도학습, 지식 증류를 결합한 반지도학습 멀티태스크 프레임워크인 PULSE를 제안한다. 이 도메인 적응 전문 모델은 최신 범용 모델을 모든 지표에서 능가하며, 학습된 임베딩은 생태학적으로 유의미한 구조를 포함한다.

arXiv:2606.12808v1cs.LG

SymQNet: 저지연 적응형 해밀토니안 학습을 위한 상각된 획득

SymQNet: Amortized Acquisition for Low-Latency Adaptive Hamiltonian Learning

적응형 해밀토니안 학습(adaptive Hamiltonian learning)의 계산 비용을 줄이기 위해 오프라인에서 획득 정책을 학습하는 SymQNet이라는 상각된 강화학습(amortized reinforcement-learning) 접근법을 제안한다. 이 방법은 온라인 추론 속도를 높여 기존 방법 대비 지연 시간(latency)을 획기적으로 단축함으로써 실용적인 반복 작업을 가능하게 한다.

arXiv:2606.13410v1cs.CV

맥락적 동작을 통한 사람 식별

Person Identification from Contextual Motion

우리는 동작 스타일을 기반으로 사람을 식별하는 문제를 다룬다. 우리는 행동 인스턴스 생성 과정을 설명하는 생성 모델을 제시하고, 감시 및 인증 응용에서 동기 부여된 두 가지 일반적인 사람 식별 시나리오에 대한 확률적 신원 추론 방식을 도출한다. 우리는 동작 패턴을 이용한 사람 식별을 위한 새로운 *상호작용적* 시나리오를 소개한다. 이를 위해 피험자와 시스템 간의 순차적 메시지 교환 세션 맥락에서 식별 과정을 형식화한다. 피험자의 행동은 인간 정보 처리(Human Information Processing, HIP) 패러다임에서 영감을 받은 확률적 생성 모델로 모델링된다. 각 단계에서 시스템은 피험자에게 시각적 자극(단서)을 제시하고 그들의 동작 반응을 기록한다. 단서는 예상 반응과 피험자 신원 간의 상호 정보량(mutual information)을 최대화하도록 선택된다. 기록된 반응은 가능한 피험자 신원에 대한 사후 확률(a posteriori probability)을 갱신하는 데 사용된다. 충분한 분류 신뢰도 수준에 도달하면 프로세스가 종료된다. 우리가 아는 한, 사람 식별이 이러한 상호작용적 환경에서 다루어지는 것은 이번이 처음이다. 우리는 5개의 공개 데이터셋과 15개의 단서에 응답하는 22명의 피험자의 4,476개 녹화로 구성된 자체 새 데이터셋에서 높은 인식률을 보고한다.

arXiv:2606.12386v1cs.LG

ATLAS: 자동화된 과학을 위한 능동적 이론 학습

ATLAS: Active Theory Learning for Automated Science

기계론적 모델링을 통해 과학적 이해를 발전시키려면 최대한 정보를 제공하는 데이터를 얻기 위해 올바른 실험적 질문을 제기해야 합니다. 인지 과학 내에서 이러한 과정을 자동화하기 위해, 우리는 해석 가능한 행동 모델을 데이터 기반으로 발견하는 능동 학습 프레임워크인 ATLAS (Active Theory Learning for Automated Science)를 소개합니다. ATLAS는 다양한 희소 신경망(sparse neural networks) 앙상블(Disentangled RNNs)로 구체화된 기계론적 가설을 생성하는 것과 이들을 최적으로 구별하는 실험을 설계하는 것을 반복합니다. 우리는 밴딧 작업에서의 행동으로부터 강화학습 에이전트를 복원하는 문제에 대해 이 접근 방식을 테스트합니다. ATLAS는 기저 에이전트 특성에 맞춰진 시간적 구조를 가진 질적으로 새로운 실험의 다양한 시퀀스를 설계합니다. 이러한 실험에서 학습된 모델들은 행동적, 구조적, 계산적 유사성을 포착하는 기계론적 모델링을 위한 포괄적인 메트릭 세트에 대해 평가됩니다. ATLAS는 무작위 실험과 비교하여 모든 메트릭에서 샘플 효율성 면에서 5-10배의 향상을 달성했으며, 문헌에서 파생된 전문가 설계 실험에 대해서도 그 성능이 추가로 검증되었습니다. 이러한 실리코(in silico) 결과는 ATLAS가 과학적 탐구가 기계론적 모델 발견에 의존하는 인지 과학 및 기타 도메인에서 인간이 해석 가능한 통찰을 가속화할 잠재력을 보여줍니다.

arXiv:2606.12182v1cs.LG

얼마나 낮출 수 있습니까? 초저데이터 한계에서 희소 모델 발견을 위한 능동 학습

How Low Can You Go? Active Learning for Sparse Model Discovery in the Ultra-Low-Data Limit

복잡한 동적 시스템의 지배 방정식을 식별하는 것은 과학 및 공학 전반에 걸쳐 여전히 근본적인 과제입니다. 초기 접근 방식은 경험적 데이터와 휴리스틱에 의존했지만, 현대의 데이터 기반 방법은 더 큰 유연성과 더 적은 가정을 제공합니다. 그러나 실제 환경에서의 데이터 수집은 종종 비용이 많이 듭니다. 본 연구는 초저데이터 한계에서 역학(dynamics) 발견을 위한 능동 학습 전략을 도입하여 이러한 과제를 해결합니다. 무작위로 샘플링하는 대신, 우리의 방법은 모델 식별에 가장 유용한 정보를 제공하는 영역을 반복적으로 우선시합니다. 이 접근 방식은 비선형 역학의 희소 식별(SINDy)을 기반으로 하며, 상미분 방정식 및 편미분 방정식(ODEs/PDEs) 모두에 대해 인식론적 불확실성을 추정하고 샘플링을 안내하기 위해 앙상블 확장인 E-SINDy를 활용합니다. ODE의 경우, 다양한 데이터 예산과 노이즈 수준에 걸쳐 로렌츠 시스템에 대한 포괄적인 분석을 수행했습니다. PDE의 경우, 대조적인 동역학적 특성을 가진 두 시스템을 조사했습니다. 날카로운 충격 파면(shock front)이 정보가 풍부한 영역과 그렇지 않은 영역을 구분하는 버거스 방정식과, 공간적으로 더 복잡한 샘플링 지형을 제시하는 쿠라모토-시바시ński 방정식입니다. 모든 시나리오에서 제안된 방법은 무작위 샘플링보다 현저히 적은 데이터 샘플로 지배 역학을 정확하게 식별합니다.

arXiv:2511.07380v2cs.CL

저자원 도메인 적응을 위한 유용한 일반 데이터 마이닝

Mining Useful General Data for Low-Resource Domain Adaptation

도메인 특화 데이터의 희소성으로 인해 대규모 언어 모델(LLM)을 저자원 도메인에 적응시키는 것은 여전히 어려운 과제입니다. 도메인 내 데이터는 제한적이지만, 도메인 작업과 유사한 질문-답변 형식과 추론 패턴을 공유하는 방대한 양의 일반 도메인 데이터가 존재합니다. 이러한 관찰은 저자원 도메인 적응을 개선하기 위해 유용한 일반 도메인 데이터를 마이닝할 수 있는지에 대한 중요한 질문을 제기합니다. 초기 연구 결과에 따르면, 신중한 선별 과정 없이도 일반 도메인의 사고의 연쇄(Chain-of-Thought) 데이터는 도메인 적응에 유용한 보조 신호를 포함하고 있습니다. 이 관찰은 도메인 특화 데이터에 대한 독점적 의존을 넘어선 도메인 적응의 새로운 패러다임을 이끌어냅니다. 가장 유익한 일반 도메인 샘플을 체계적으로 식별하기 위해, 우리는 학습 역학에서의 정렬을 포착하는 신경 접선 커널(Neural Tangent Kernel)의 능력에 착안한 NTK-Selector를 제안합니다. 사전학습된 LLM에 NTK를 직접 적용하는 것은 비현실적이므로, 야코비안이 없는(Jacobian-free) NTK 근사법을 도입하고 미세조정(fine-tuning) 중에 안정적인 NTK 유사 동작을 실험적으로 입증합니다. 의료, 금융, 법률, 심리 도메인에 걸친 광범위한 실험을 통해 NTK-Selector가 도메인 전용 미세조정 및 기존 데이터 선별 베이스라인을 일관되게 능가함을 보여줍니다. 특히, NTK-Selector는 Llama3-8B-Instruct와 Qwen3-8B에서 각각 +8.7 및 +5.1 포인트의 향상을 달성한 반면, 도메인 전용 미세조정은 각각 +0.8 및 +0.9 포인트의 향상만을 보였습니다.