PyTorchKR Papers

최신 논문

총 3,895편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.13765v1cs.LG

엣지 독립성이 실패할 때: 잠재 사회성 사전분포를 이용한 결합 그래프 디퓨전

When Edge Independence Fails: Joint Graph Diffusion with Latent Sociability Priors

이산 그래프 디퓨전 모델은 마르코프 노이즈 모델을 사용한 독립적인 엣지(edge) 업데이트를 통해 그래프 구조를 손상시킨다. 출력 분포에 대한 교환가능성(exchangeability) 요구 조건과 결합되면, 터미널 사전분포(prior)는 필연적으로 에르되시-레니(Erdős–Rényi, E-R) 랜덤 그래프가 된다. 이는 노드 특징(feature) 없는 비조건부 그래프 생성에 근본적인 결과를 초래한다: 큰 그래프의 극한에서, E-R 그래프에 적용된 모든 GNN 디노이저(denoiser)는 대략적으로 E-R 그래프를 출력하여, 효과적인 디노이징(denoising)을 어렵게 만든다. 실제로, 생성된 그래프는 의미 있는 노드 이질성(heterogeneity)과 고차 구조(higher-order structure)를 복원하지 못한다. 이전 모델들은 이를 보완하기 위해 전문화된 노드 특징을 도입했으며, 이를 표현력(expressivity) 문제로 간주했지만, 사전분포의 역할은 검토되지 않은 채로 남아 있었다. 우리는 대신 잠재 사회성 사전분포(Latent Sociability Prior, LSP)와, 잠재 노드 사회성(sociability) 변수와 그래프 구조를 함께 진화시키는 결합(joint) 디퓨전 프로세스를 도입하여 근본 원인을 해결하며, 교환가능성을 유지하면서 엣지 독립성을 제거한다. 기존의 잠재 그래프 디퓨전 방법들과 달리, 사회성 메커니즘은 복잡한 인코더(encoder)를 필요로 하지 않는다: 그 유일한 역할은 엣지 업데이트를 안내하고 궤적(trajectory) 전체에서 노드 이질성을 보존하는 것이다. 우리는 여러 그래프 생성 데이터셋에서 접근법을 검증하고, 제안된 프레임워크가 노드 특징이 없는 기준선(baseline) 방법들보다 그래프 분포를 더 정확하게 포착함을 보인다.

arXiv:2610.13724v1cs.LG

그래프 신경망을 활용한 상각 반사실적 예측

Amortized Counterfactual Prediction with Graph Neural Networks

반사실적 추론(counterfactual inference)은 환자가 다른 치료를 받았을 때 회복했을지와 같이, 다른 상황에서 관찰된 결과가 어떻게 달라졌을지를 묻습니다. 이러한 질문은 관찰되지 않은 대안의 결과에 의사결정이 좌우될 때마다 발생합니다. 반사실적 질의에 답하려면 일반적으로 기저 인과 구조에 대한 지식이 필요하지만, 이는 실제 환경에서는 얻기 어려운 경우가 많습니다. 따라서 일반적인 접근 방식은 관찰 데이터로부터 인과 그래프를 먼저 추정한 다음 반사실적 추론을 수행하는 것입니다. 그러나 추정된 인과 그래프의 오류는 다운스트림 반사실적 예측으로 전파될 수 있습니다. 이러한 문제를 해결하기 위해, 본 연구에서는 인과 그래프를 먼저 추정하지 않고 관찰 데이터로부터 직접 반사실적 질의에 답하는 엔드투엔드 접근법인 Counterfactual Graph Neural Process(CFGNP)를 소개합니다. CFGNP는 그래프 신경망(GNN)을 활용하여 교차 세계 메시지 전달(cross-world message passing)을 대응하는 사실-반사실 변수로 제한함으로써 이중 그래프 구조를 활용합니다. 합성 데이터 및 이미지 기반 벤치마크 전반에서 CFGNP는 기존 접근 방식보다 더 강력한 예측 성능을 달성하며, German Loan 벤치마크에서는 MSE를 $4.51 \times 10^{-2}$에서 $0.19 \times 10^{-2}$로 감소시킵니다. 또한 합성 인과 그래프에서 10개 노드 그래프로만 학습된 모델은 재학습 없이도 최대 30개 노드를 가진 그래프에서 강력한 예측 성능을 유지합니다.

arXiv:2610.13689v1cs.LG

VQIL: 그래프 상의 섭동 반응 순위화를 위한 가시적 양자 간섭 학습

VQIL: Visible Quantum Interference Learning for Perturbation Response Ranking on Graphs

국소적 섭동(perturbation)이 네트워크에 미치는 영향을 학습하는 것은 시스템의 반응을 유발하거나 흡수하는 구성 요소를 식별하는 데 중요합니다. 본 연구에서는 이를 시드 조건부 반응 순위화(seed-conditioned response ranking) 문제로 정의합니다. 즉, 하나의 시드 노드(node)에서 섭동이 발생했을 때 다른 모든 노드를 반응 강도에 따라 순위화하는 것입니다. 이는 모델(model)에 상호작용 토폴로지만 주어지고 섭동이 전파되는 방식을 지배하는 메커니즘을 데이터로부터 학습해야 할 때 특히 어렵습니다. 본 논문에서는 시드 조건부 순위화를 위한 학습 가능한 세게디 양자 워크(Szegedy quantum walk)인 VQIL(Visible Quantum Interference Learning)을 제안합니다. 워크 연산자가 학습(training) 전반에 걸쳐 유니터리(unitary) 상태를 유지하는 동안, 에지 가중치, 링크 위상, 노드별 위상 회전이 역전파(backpropagation)를 통해 엔드투엔드로 최적화됩니다. 노드 점수는 양자 워크 진폭의 기하학적 감쇠 코히런트 합(coherent sum)에서 얻어지며, 이를 통해 최종 제곱 노름(squared-norm) 판독 전에 양자 간섭이 가능해집니다. 학습된 각 매개변수(parameter)는 명명된 에지 또는 노드에 연결되어 있으므로, 학습된 모델은 전파 메커니즘에서 개별 그래프 구성 요소의 역할에 대해 직접 검사 가능한 가설을 제공합니다. 전기적 매개변수를 모델에 제공하지 않은 6개 송전망에 대한 교류 조류(AC power-flow) 섭동 실험에서, VQIL은 스피어만 순위 상관계수를 학습되지 않은 워크의 0.147에서 0.831로 향상시켰으며 동일하게 학습된 무작위 워크 모델의 성능을 능가했습니다. Perturb-seq 지도 신호가 있는 5개 단백질-단백질 상호작용 네트워크에 대한 유전자 섭동 실험에서 VQIL은 순위 상관계수를 0.171에서 0.620으로 향상시켜 가장 강력한 고전적 및 신경망 기반 학습 베이스라인들을 능가했습니다. 이러한 결과는 학습 가능한 양자 워크 간섭이 그래프 상에서 시드 조건부 반응 순위를 학습하기 위한 확장 가능하고 해석 가능한 귀납적 바이어스(inductive bias)를 제공함을 보여줍니다.

arXiv:2610.13635v1cs.LG

PANDA: 사전 지식 기반 어텐션 이중 경로 아키텍처

PANDA: Prior-guided Attentional Dual-path Architecture

쌍별 상호작용(pairwise interaction)을 넘어 고차 관계(higher-order relation)를 모델링하기 위해 설계된 하이퍼그래프 신경망(Hypergraph Neural Network, HNN)은 일반적으로 고정된 구조적 가중치 또는 정규화된 어텐션에 의존한다. 고정 가중치는 이질적(heterophilic) 환경에서 잘못된 정보를 전파할 수 있으며, 정규화는 메시지 전달(message-passing) 프레임워크에서 하나의 송신자(sender)의 가중치를 높이면 동일한 집계 집합(aggregation set) 내 다른 송신자들의 가중치를 반드시 낮춰야 한다는 의미에서 어텐션 계수를 경쟁적으로 만든다. 본 연구의 주요 기여는 무방향 및 방향 설정 모두에 적용 가능한 2단계 메시지 전달 HNN을 위한 플러그인인 PANDA(Prior-guided AttentioNal Dual-path Architecture, 사전 지식 기반 어텐션 이중 경로 아키텍처)의 도입이다. 메인 경로(main path)는 학습된 수신자 정규화 어텐션과 구조적 인시던스(incidence) 사전 지식(prior) 사이를 보간(interpolate)하며, 비경쟁적인(정규화되지 않은) 보조 경로(auxiliary path)는 각 송신자가 자신만의 변환된 정보를 기여할 수 있도록 한다. 또한 고정된 구조적 계수를 사용할 경우, PANDA가 이전 연구들에서 채택된 특정 복소수 값 합성곱 연산자를 복원함을 보인다. 방향 및 무방향 설정에서 공간적(spatial) 및 스펙트럴(spectral) 방법을 포괄하는 네 가지 HNN에 걸쳐, PANDA를 적용하면 8개의 실세계 벤치마크 데이터셋에서 평균 5.18퍼센트포인트의 성능 향상을 얻는다. 코드는 https://github.com/jainris/panda 에서 확인할 수 있다.

arXiv:2610.11022v1physics.ao-ph

중기 리드 타임의 전 지구 일별 화재 복사 강도 예측을 위한 그래프 신경망

A Graph Neural Network for Global Daily Fire Radiative Power Prediction at Medium-Range Lead Times

수일 전 생체량 연소(biomass-burning) 활동을 숙련되게 예측하는 것은 대기질 예보 및 에어로졸 예측에 중요합니다. 본 연구는 두 가지 운영상의 제약 조건에서 출발합니다. 첫째, NOAA의 GEFS-Aerosols를 초기화하는 데 사용되는 GBBEPx 위성 화재 복사 강도(FRP, Fire Radiative Power) 산출물은 약 1.5일의 지연 시간(latency)을 두고 제공되므로, 각 예보 주기는 가장 최근에 사용 가능하지만 이미 구식이 된 화재 관측치에 의존합니다. 둘째, 이러한 화재 입력값은 후속 5일간의 운영 예보 기간(또는 GSL 실험 시스템에서는 7일간) 내내 고정되어 유지되며, 사실상 화재 활동의 변화가 없다고 가정합니다. 본 연구에서는 가장 최근에 가용한 관측치를 바탕으로 1~7일 후의 전 지구 FRP를 예측하는 데이터 기반 모델을 개발합니다. 이 모델은 재분석 기상 자료, 토지 피복 및 식생 정보, 최근 화재 이력, 그리고 학습 목표로서의 GBBEPx FRP를 활용하는 시공간 그래프 신경망(GNN)을 적용합니다. 2020~2022년 데이터로 학습되었으며 2023~2024년 데이터로 평가되었습니다. 모델은 전 지구적 계절 주기를 재현하며 지속성(persistence) 기준선보다 크게 우수한 성능을 보입니다. 0.1$^\circ$ 해상도에서 평균 제곱 오차(MSE)는 2023년 기준으로 1일 리드 타임에서 32%, 7일 리드 타임에서 43% 감소했고, 2024년에는 각각 24%와 40% 감소했습니다. 1$^\circ$ 해상도에서 임계 성공 지수(CSI)는 0.32에서 0.60 범위를 나타냅니다. 탐지 성능은 리드 타임에 따라 완만하게만 감소하는 반면, 강도 예측 성능은 더 빠르게 저하됩니다. 대형 화재는 안정적으로 탐지되지만, 그 복사 강도는 체계적으로 과소평가됩니다. 이러한 결과는 며칠 앞선 화재 활동의 유용한 예측 가능성을 보여주며, 예측된 FRP가 현업 에어로졸 예보를 지원하기 전에 해결해야 할 주요 과제로 강도 보정과 소규모 화재 위치 파악을 규명합니다.

arXiv:2610.10934v1cs.RO

액추에이터 성능 저하 상황에서의 4족 보행 강화학습을 위한 고차 형태학적 프라이어

Higher-Order Morphology Priors for Quadruped Reinforcement Learning Under Actuator Degradation

액추에이터 성능 저하는 4족 보행을 관절들이 손실된 액추에이션을 보상해야 하는 협응(coordination) 문제로 만든다. 선행 연구들은 형태학을 인식하는 그래프 정책(morphology-aware graph policy)이 신체 교란(body perturbation) 상황에서 학습과 일반화를 향상시킨다고 제안한다. 본 연구는 고차(higher-order) 기계적 구조를 명시적으로 모델링함으로써 이러한 이점을 강화할 수 있는지를 묻는다. 우리는 Unitree Go1을 다리(limb) 및 몸체(body) 수준의 랭크-2 셀(rank-2 cell)을 갖는 셀 복합체(cell complex)로 표현하고, Hodge 기반 메시지 패싱(Hodge-based message passing)을 적용한다. 저하 상황에서의 학습 하에서, 노드-엣지-면 Hodge 액터(node-edge-face Hodge actor)는 보지 못한 액추에이터 저하에 대해 가장 높은 리턴(return)을 달성하며, 더 높은 생존율과 더 낮은 속도 추적 오차(velocity-tracking error)를 보인다. 이러한 결과는 고차 형태학이 액추에이터 저하 상황에서 전신 보상(whole-body compensation)을 위한 유용한 귀납적 바이어스(inductive bias)임을 뒷받침한다.

arXiv:2610.10776v1cs.LG

NEMORA: 장거리 원자론적 학습을 위한 신경 등변 다중극 연산자

NEMORA: Neural Equivariant Multipole Operators for Long-Range Atomistic Learning

등변 그래프 신경망(Equivariant Graph Neural Network)은 머신러닝 기반 원자 간 포텐셜(interatomic potential)의 핵심 아키텍처로 부상하여, 계산 비용의 일부만으로도 양자 화학 수준의 정확도에 근접하고 있습니다. 이러한 모델들은 국소 원자 환경을 정확하게 기술하지만, 유한한 공간적 컷오프(cutoff)로 인해 장거리 정보 흐름이 단절되며, 메시지 전달 계층을 깊게 쌓으면 지나친 평활화(over-smoothing) 및 과도한 압축(over-squashing)이 발생할 수 있습니다. 기존의 장거리 확장 기법들은 고정된 해석적 전파 커널(propagation kernel)을 규정하거나, 장거리 통신을 스칼라 또는 차수 보존 채널로 제한하거나, 근사적으로만 등변성을 만족하거나, 초선형(super-linear) 계산 비용을 초래합니다. 대규모 시스템에 대해 효율적인 스케일링(scaling) 및 다중 스케일 다체 표현력과 함께 학습 가능한 장거리 등변 수송을 결합하는 것은 여전히 핵심 과제로 남아 있습니다. 본 논문에서는 장거리 텐서 표현 학습을 위해 고속 다중극 방법(Fast Multipole Method, FMM)을 신경 등변 방식으로 확장한 NEMORA(Neural Equivariant Multipole Operators)를 소개합니다. NEMORA는 적응형 공간 계층 구조상에서 FMM의 해석적 다중극 전개 및 변환 연산자를 학습 가능한 등변 연산자로 일반화합니다. 이 연산자들은 각도 차수를 결합하고 다양한 길이 스케일에 걸쳐 다체 상호작용을 형성하며, 데이터 의존적인 장거리 결합을 학습하는 동시에 FMM의 계층적 구조와 해석적 방사형 인자를 물리적 귀납 편향(inductive bias)으로 유지합니다. NEMORA는 선형 시간 및 메모리 복잡도로 평가되므로 수십만 개의 원자에 달하는 대규모 시스템을 다른 장거리 방식보다 효율적으로 다룰 수 있으며, 대칭 제약이 있는 백본 및 제약이 없는 단거리 백본 모두를 보강합니다. 비국소(non-local) 벤치마크에서 단거리 백본 대비 힘(force) 및 에너지 오차를 각각 1자릿수(order of magnitude) 이상, 최대 3자릿수까지 줄여, 정확도 측면에서 기존의 장거리 확장 기법보다 우수하거나 경쟁력 있는 성능을 보입니다.

arXiv:2610.10626v1cs.LG

회전 견고 신경 동역학을 위한 정확한 SO(3)-등변 등방성 커널

Exact SO(3)-Equivariant Isotropic Kernels for Rotation-Robust Neural Dynamics

벡터값 편미분 방정식(PDE)을 위한 신경 대리 모델은 학습(training) 데이터에는 잘 적합될 수 있지만, 동일한 물리적 상태가 회전된 좌표계로 표현될 때 예측값이 달라질 수 있습니다. 본 연구에서는 불규칙하게 배치된 지점에서 관측되는 3차원 나비에-스토크스(Navier--Stokes) 동역학에서 이러한 문제를 조사합니다. 우리는 회전에 의해 변하지 않는 스칼라양과 데이터를 따라 함께 회전하는 벡터 방향으로부터 국소 상호작용을 구성하는 소형 그래프 모델인 불변 조건화 등방성 커널 신경 연산자(IKNO)를 소개합니다. 그 결과, 위치와 속도를 회전시키면 예측된 속도 변화도 정확히 동일한 방식으로 회전합니다. 모델 설계 후 고정된 홀드아웃 테스트 세트에서, 무제약 그래프 모델을 무작위로 회전된 예제로 학습시키면 좌표 의존성이 줄어들기는 하지만 완전히 제거되지는 않습니다. 반면, IKNO는 수치 정밀도(precision) 수준에서 일관성을 유지하며, 파라미터 수가 5.6배 적으면서도 일반적인 회전 인지 텐서(tensor) 장 네트워크(Tensor Field Network)의 예측 정확도와 일치하고 파라미터 수가 동일한 그래프 시뮬레이터보다 우수한 성능을 보입니다. 이러한 결과는 소형 PDE 특화 모델이 예측 정확도를 희생하지 않고도 좌표 의존성을 제거할 수 있음을 보여줍니다.

arXiv:2609.01015v2cs.SI

심층 그래프 생성 모델 평가에 대한 네트워크 과학적 관점

A Network Science Perspective on Evaluating Deep Graph Generative Models

에르되시-레니(Erdos-Renyi) 모델 및 배치 모델(configuration model)과 같은 네트워크 과학의 전통적인 네트워크 모델은 실제 네트워크에서 관찰되는 선택된 몇 가지 위상학적 특성만을 재현하는 무작위 네트워크를 생성합니다. 심층 그래프 생성 모델은 데이터 기반 접근 방식으로 부상하며, 심층 신경망 아키텍처를 활용해 실제 네트워크로부터 복잡한 구조적 분포를 직접 학습함으로써 더욱 현실적인 합성 네트워크를 생성합니다. 실제 사회적 접촉 네트워크는 개인정보 보호 위험으로 인해 공유될 수 없기 때문에, 합성 네트워크는 전염병 완화 전략을 개발하고 평가하기 위한 대안으로 활용됩니다. 본 연구에서는 생성된 네트워크와 실제 네트워크 간의 위상학적 유사성뿐만 아니라, 전염병/가짜뉴스 확산을 억제하기 위한 효과적인 노드 면역 전략을 식별하는 데 있어 이들의 유용성을 모두 평가함으로써 네트워크 과학적 관점에서 심층 그래프 생성 모델과 배치 모델을 평가합니다. 그 결과, 두 가지 심층 그래프 생성 모델이 실제 네트워크의 구조적 특성과 밀접하게 유사한 합성 네트워크를 생성하여 효과적인 면역 전략을 식별할 수 있도록 지원함을 확인했습니다.

arXiv:2607.26404v2cs.LG

메시지 패싱은 얼마나 중요한가? 신경망 그래프 회귀를 위한 GNN 층의 드롭인 연구

How Much Does Message Passing Matter? A Drop-In Study of GNN Layers for Neural Network Graph Regression

그래프 신경망(GNN)은 신경망 구조의 정확도를 예측하는 등 회귀 모델로서 널리 사용됩니다. 그러나 새로운 메시지 패싱(MP) 층들은 거의 독점적으로 분류(classification) 태스크를 중심으로 개발 및 벤치마킹되고 있으며, 회귀 파이프라인은 일반적으로 어블레이션 없이 단일 MP 층을 채택합니다. 본 연구에서는 그래프 수준의 회귀에서 MP 층의 선택이 얼마나 중요한지 묻습니다. 기존 4가지 GNN 회귀 모델의 아키텍처, 손실(loss), 학습(training) 방식을 고정한 채, 합성곱(convolutional), 동형성(isomorphism) 기반, 어텐션(attention) 기반 설계를 포괄하는 10가지 MP 구성을 대체 적용합니다. 그래프당 10개 미만에서 1,000개 이상의 노드, 수백 개에서 40만 개 이상의 샘플에 이르는 신경망 그래프의 11개 데이터셋에서 이를 평가하며, 순위 상관관계, 예측 오차, 상위 $k$개(top-$k$) 검색, 지연 시간 및 메모리를 측정합니다. MP 선택은 결과를 실질적으로 변화시키며, 최선의 선택은 그래프 크기, 학습 세트 크기 및 회귀 목표에 따라 달라짐을 발견했습니다. GEN, $k$-GNN, PNA와 같은 전통적인 층들은 더 낮은 비용으로 작은 아키텍처 그래프에서 어텐션 기반 층과 비슷하거나 뛰어난 성능을 보이는 반면, GATv2는 소수의 대형 그래프로 구성된 데이터셋에서 우수한 성능을 보입니다.

arXiv:2607.19514v3cs.LG

층 신경망(Sheaf Neural Networks)은 홀로노미를 활용하는가? 측정-개입-통제 연구

Do Sheaf Neural Networks Use Holonomy? A Measure--Intervene--Control Study

기하학적 신경망 구조는 내부 메커니즘을 이론적 동기로 삼는 경우가 많지만, 정확도 지표만으로는 실제 예측이 해당 메커니즘을 활용하는지 여부를 입증하지 못합니다. 층 신경망(Sheaf Neural Networks, SNN)에서는 에지 전달(edge transport) 연산들이 접속(connection)을 형성하며, 사이클 곱(cycle product)은 홀로노미(holonomy)를 정의합니다. 본 연구에서는 학습(training)이 삼각형 홀로노미를 변화시키는지, 예측이 학습된 접속에 의존하는지, 그리고 홀로노미가 삼각형 개수 세기(triangle counting) 작업을 주도하는지 질문을 던집니다. 이를 위해 기저 독립적인 루프 리드아웃과 함께 항등 개입 및 단축 경로 통제를 적용합니다. 높은 동질성(homophily)을 지닌 GraphUniverse 그래프에서 삼각형 개수 세기 작업 시 신경망 층 전파(Neural Sheaf Propagation, NSP)의 평균 SO(2) 삼각형 회전량은 0.010라디안에서 0.388라디안으로 증가한 반면, 커뮤니티 탐지에서는 0.029라디안에 그쳤습니다. 데이터가 늘어남에 따라 학습된 SO(2)-NSP는 항등(Identity) NSP보다 우수한 성능을 보였으며, 학습 후 전달 행렬을 교체하면 오류가 더욱 증가했습니다. 그러나 릿지 회귀가 더 높은 정확도를 보였고, 대각 사상은 연속적인 회전 없이도 성능이 향상되었으며, 고정 차수 모델은 개수 세기 성능 향상 없이도 회전이 발달했습니다. 따라서 NSP는 자명하지 않은 접속을 학습하고 이에 의존할 수 있지만, 본 실험 결과는 삼각형 홀로노미가 예측을 주도한다는 점을 보여주지는 못합니다.

arXiv:2606.17555v4cs.CR

은행업을 위한 자율형 AI 보안 에이전트: 소매 및 기업 계좌 전반의 다중 벡터 사기 및 자금세탁방지(AML) 탐지

An Autonomous AI Security Agent for Banking: Multi-Vector Fraud and AML Detection Across Retail and Corporate Accounts

은행은 탐지 요건이 근본적으로 서로 다른 두 가지 위협 계열에 직면해 있습니다. 서명 기반 사기(카드 미제시 공격, 계정 탈취, ATM 복제)와 행동 기반 금융 범죄(분할 송금[structuring], 자금 세탁 분산[layering], 대포통장 네트워크, 비즈니스 이메일 침해[BEC])입니다. 정적 규칙 엔진은 고빈도 이벤트를 포착하지만, 개별 수준에서는 정상 활동과 유사하게 조작되는 BEC 결제 경로 재지정, 세션 하이재킹, 자금세탁 분산에는 무력합니다. 본 논문은 소매 및 기업 금융을 대상으로 저위험 및 중위험 단계에서는 독립적으로 동작하고 고위험 및 중대 조치 시에는 인간 분석가나 컴플라이언스 담당자에게 에스컬레이션하는 자율형 AI 보안 에이전트를 제시합니다. 이 에이전트는 거래(카드 사기, ACH/전신환 사기, AML)와 세션(계정 탈취, 하이재킹, SIM 스왑, 내부자 오남용)이라는 두 개의 병렬 이벤트 스트림 전반에서 3개 구성요소 융합 아키텍처를 활용합니다. 각 스트림은 계좌별 행동에 대한 LSTM 시퀀스 모델, 통계적 속도/임계값 모니터, 그리고 자금세탁 탐지를 위해 계좌-거래 상대방 패턴(팬인, 팬아웃, 통과 비율)을 포착하는 그래프 모듈을 결합합니다. 13개 위협 카테고리와 3,470개 계좌에 걸친 237,669건의 거래 및 113,508건의 세션으로 구성된 합성 로그 실험에서, 해당 에이전트는 전체 F1 점수 0.787(거래) 및 0.867(세션)을 달성하여 규칙 기반 기준선(0.562/0.733) 및 LSTM 단독 기준선(0.655/0.713) 대비 우수한 성능을 보였습니다. 또한 본 에이전트는 고객 대상 검증 챗봇(96.6% 신원 정확도, 86.8% 대량 재설정 탐지) 및 분석가 케이스 요약 어시스턴트(99.3% 조치 추천 F1)를 통합하며, 95번째 백분위수 기준 중대 단계 응답 지연 시간은 0.43ms 미만을 기록했습니다.

arXiv:2604.10166v2cs.LG

이종 시공간 그래프 신경망을 통한 지역난방 네트워크의 가상 스마트 미터링

Virtual Smart Metering in District Heating Networks via Heterogeneous Spatial-Temporal Graph Neural Networks

열 에너지 네트워크의 지능형 운영은 데이터 기반 제어, 예측 최적화(predictive optimization), 조기 결함 감지를 통해 에너지 효율성, 신뢰성 및 운영 유연성을 향상하는 것을 목표로 합니다. 이러한 목표를 달성하려면 충분한 관측 가능성(observability)이 확보되어야 하며, 이를 위해 열적 및 수리학적 상태에 대한 지속적이고 잘 분산된 모니터링이 필요합니다. 그러나 지역난방 시스템은 일반적으로 계측 장비가 드물게 설치되어 있고 센서 결함의 영향을 자주 받아 모니터링이 제한적입니다. 가상 센싱(virtual sensing)은 관측 가능성을 개선하기 위한 비용 효율적인 수단을 제공하지만, 실제 환경에서의 개발과 검증은 여전히 제한적입니다. 기존의 데이터 기반 방법들은 대개 조밀하고 동기화된 데이터를 가정하는 반면, 해석적 모델은 이종 네트워크 토폴로지의 동작을 적절히 포착하지 못할 수 있는 단순화된 수리학적 및 열적 가정에 의존합니다. 그 결과, 실제 운영 조건에서 압력, 유량, 온도 간의 결합된 비선형적 의존성을 모델링하는 것은 여전히 어려운 과제입니다. 또한, 공개적으로 이용 가능한 벤치마크 데이터셋의 부재는 가상 센싱 접근법 간의 체계적인 비교를 저해합니다. 이러한 문제를 해결하기 위해, 본 논문에서는 가상 스마트 열량계를 구축하기 위한 이종 시공간 그래프 신경망(HSTGNN)을 제안합니다. 이 모델은 지역난방 네트워크에 내재된 함수적 관계를 통합하고, 유량, 온도 및 압력 측정값에 대한 그래프 구조와 시간적 동역학을 학습하기 위해 전용 브랜치를 사용하여 변수 간 상관관계와 공간적 상관관계의 결합 모델링을 가능하게 합니다. 추가 연구를 지원하기 위해, 실제 운영 조건을 대표하는 동기화된 고해상도 측정값을 제공하는 올보르 스마트 물 인프라 연구소(Aalborg Smart Water Infrastructure Laboratory)에서 수집된 제어 환경 실험실 데이터셋을 소개합니다. 광범위한 실험을 통해 제안된 접근법이 기존 베이스라인을 크게 능가함을 입증합니다.

arXiv:2510.04440v2cs.LG

소규모 학습 샘플 크기에서의 준지도 그래프 학습을 위한 분수 열 커널

Fractional Heat Kernel for Semi-Supervised Graph Learning with Small Training Sample Size

우리는 비지역적(nonlocal) 전파와 지속적인 레이블 정보를 결합한, 준지도 그래프 학습을 위한 소스 기반(source-driven) 분수 열 커널(fractional heat-kernel) 프레임워크를 개발한다. 라플라시안(Laplacian) 널 공간(null space)과 양립 가능한 고정된 0이 아닌 레이블 소스는 해당 공간으로의 점근적 붕괴(collapse)를 방지하여, 긴 확산 시간에서 과평활화(oversmoothing)를 완화하는 메커니즘을 제공한다. 분수 차수(fractional order)는 상대적 모드 감쇠와 지속 응답의 스펙트럼 가중치를 제어하며, 확산 시간은 전파 범위(propagation horizon)를 설정한다. 우리는 정규화된 그래프와 비연결 그래프에서의 보존 법칙과 평형 상태를 규명하고, 널 공간 디플레이션(null-space deflation)을 개발하며, 전파 연산자(propagator)의 근사를 분석한다. Two-Moon에서는 분수 차수가 소스 없는 전파를 개선하며, 양립 가능한 소스 기반 확산은 차수 0.8과 1에서 클래스당 학습 레이블 1개로 평균 정확도 96%를 초과한다. Cora와 CiteSeer에서는 소스 기반 파이프라인이 클래스당 학습 레이블 1개에서 GAT보다 평균 정확도를 각각 9.2%p와 8.0%p 향상시키며, 500개의 레이블된 검증 노드에서 모델을 선택하고 고전적 파이프라인 구성과 분수 파이프라인 구성이 서로 근접하게 비교 가능하다; PubMed에서는 GAT와 동등한 성능을 보이며, Cora에서 클래스당 레이블 10개와 20개에서는 GAT보다 낮은 성능을 보인다. GraphHeat 내에서는 공통 확산 시간에서 검증 기반 지수 선택이 클래스당 레이블 1개에서 1.45%p의 짝비교(paired) 성능 향상을 가져온다.

arXiv:2508.07106v2cs.LG

BrainATCL: 기능적 링크 예측 및 연령 추정을 위한 적응형 시계열 뇌 연결성 학습

BrainATCL: Adaptive Temporal Brain Connectivity Learning for Functional Link Prediction and Age Estimation

기능적 자기공명영상(fMRI)은 인간의 뇌 활동을 연구하는 데 널리 사용되는 영상 기법입니다. 뇌 전반에 걸친 여러 영역의 fMRI 신호는 개인이 휴식 상태에 있을 때조차도 고도로 구조화된 방식으로 활동을 일시적으로 동기화 및 비동기화합니다. 이러한 기능적 연결성 동역학(functional connectivity dynamics)은 행동 및 신경정신 질환과 관련이 있을 수 있습니다. 이러한 동역학을 모델링하려면 시계열 뇌 연결성 표현이 필수적인데, 이는 뇌 영역 간에 진화하는 상호작용을 반영하고 일시적인 신경 상태 및 네트워크 재구성에 대한 통찰을 제공하기 때문입니다. 그러나 기존의 그래프 신경망(GNN)은 동적 fMRI 데이터에서 장기 시계열 의존성(long-range temporal dependencies)을 포착하는 데 어려움을 겪는 경우가 많습니다. 이러한 문제를 해결하기 위해, 본 논문에서는 기능적 링크 예측(functional link prediction) 및 연령 추정을 가능하게 하는 적응형 시계열 뇌 연결성 학습을 위한 비지도·비모수적 프레임워크인 BrainATCL을 제안합니다. 제안하는 방법은 새로 추가되는 엣지(edge)의 비율을 기반으로 각 스냅샷의 룩백 윈도우(lookback window)를 동적으로 조정합니다. 이후 그래프 시퀀스는 GINE-Mamba2 백본을 사용해 인코딩되어 Human Connectome Project의 1,000명 참가자로부터 얻은 휴지기 fMRI 데이터에서 동적 기능적 연결성의 시공간 표현을 학습합니다. 공간 모델링을 더욱 개선하기 위해, 뇌 영역의 좌/우 반구 정체성 및 하위 네트워크 소속과 같은 뇌 구조 및 기능 기반의 엣지 속성을 통합하여 모델이 생물학적으로 의미 있는 위상학적 패턴을 포착할 수 있도록 합니다. 우리는 기능적 링크 예측과 연령 추정이라는 두 가지 태스크에서 BrainATCL을 평가합니다. 실험 결과는 세션 간(cross-session) 예측 시나리오를 포함하여 우수한 성능과 강력한 일반화 능력을 입증합니다.

arXiv:2609.31765v2cs.CV

HGPTrans: 차량 공기역학적 항력 계수 예측을 위한 계층적 그래프 풀링 Transolver

HGPTrans: Hierarchical Graph-Pooling Transolver for Automotive Aerodynamic Drag Coefficient Prediction

공기역학적 항력 계수($C_D$)를 정확하고 신속하게 예측하는 것은 특히 수많은 후보 형상을 평가해야 하는 초기 설계 단계의 차량 설계에 필수적입니다. 전산유체역학(CFD)은 신뢰할 수 있는 공기역학적 추정치를 제공하지만, 높은 계산 비용으로 인해 대규모 설계 탐험(exploration)이 제한됩니다. 본 논문에서는 차량 표면 메시로부터 직접 $C_D$를 예측하기 위해 계층적 그래프 풀링(hierarchical graph pooling)과 Transolver 기반 어텐션을 결합한 계층적 그래프 풀링 Transolver(HGPTrans)를 제안합니다. 차량의 공기역학이 국소적 기하학적 특징과 공간적으로 떨어진 표면 영역 간의 장거리 상호작용 모두에 의존한다는 점에 착안하여, HGPTrans는 세 가지 상호보완적인 구성 요소를 통합합니다. 그래프 동형성 합성곱(Graph isomorphism convolution)은 변별력 있는 국소 기하학 정보를 인코딩하고, Transolver 방식의 슬라이스 어텐션은 선형 계산 복잡도로 전역적 상호작용을 포착하며, 정보 중복성을 고려한 계층적 풀링은 유익한 기하학적 구조를 보존하면서 중복 노드를 점진적으로 제거합니다. 이 모델은 대규모 DrivAerNet 및 DrivAerNet++ 데이터셋에서 학습(training) 및 평가(evaluation)되었으며, 평가된 베이스라인 중 가장 낮은 평균 절대 오차와 평균 제곱 오차를 달성했습니다. 또한 세단과 스포츠 유틸리티 차량(SUV)을 모두 포함하는 실제 차량 데이터셋에서의 전이학습(transfer learning)을 통해 일반화 성능을 추가로 검증하였으며, 차량당 약 $0.293$초의 추론(inference) 시간으로 1.56\%(세단) 및 2.12\%(SUV)의 상대 $L_1$ 오차를 기록했습니다. 이는 예측된 항력 계수를 CFD 기준치 대비 수 퍼센트 이내로 유지하면서 고정밀 CFD에 비해 몇 자릿수(orders of magnitude)에 달하는 속도 향상을 이루어낸 것에 해당합니다. 소제 연구(ablation study)를 통해 각 구성 요소의 기여도를 확인하고 네트워크 깊이 및 풀링 비율의 영향을 규명했습니다.

arXiv:2609.30173v2eess.SY

GridSFM: 교류 최적 조류 계산 해결을 위한 파운데이션 모델

GridSFM: A Foundation Model for Solving AC Optimal Power Flow

본 논문에서는 다양한 전력망 토폴로지에 걸쳐 사전학습된 파운데이션 모델과 물리 정보 기반 미세조정(fine-tuning)을 결합하여 대규모 교류 최적 조류 계산(AC-OPF)을 해결하는 프레임워크인 GridSFM을 소개합니다. 이 모델은 500개에서 4,000개 모선(bus) 규모의 54개 토폴로지에서 사전학습된 1,500만 개 매개변수 규모의 물리 영감 그래프 신경망(GNN)입니다. 본 모델은 홀드아웃된 운전 조건의 10,000개 모선 사례에서 제로샷(zero-shot) 발전 비용 오차 2.45%를 달성하며, 시스템 규모가 커져도 성능 저하가 발생하지 않습니다. 이를 바탕으로 사전학습된 백본을 조류 계산용 뉴턴 방법(Newton's method) 기반의 물리 정보 미세조정 설계와 결합합니다. GridSFM은 단 100개의 풀이된 인스턴스만으로도 최대 10,000개 모선 규모의 미확인 전력망에 적응합니다. 또한 웜 스타트(warm start) 지점으로 활용될 때, 더 많은 데이터로 학습된 단일 토폴로지 전용 신경망 모델보다 비용과 솔버 반복 횟수 측면 모두에서 우수한 성능을 보임을 입증합니다. 이러한 파운데이션 모델을 설계하는 과정에서, 연속 신경망이 해 매핑을 근사하는 것을 가로막는 장애 요소인 AC-OPF의 실행 가능 집합이 비연결(disconnected)될 수 있다는 문제를 극복합니다. 이를 위해 문제를 리프팅하고 로그 페널티 슬랙 변수를 적용하여 제약 조건을 완화합니다. 그 결과로 얻어지는 탄성 실행 가능 집합이 가축소(contractible)임을 증명하고, 명시적인 페널티 임계값 이상에서는 AC-OPF 최소화해가 탄성 문제의 최소화해로 유지되며, 근사해를 AC-OPF 실행 가능 집합으로 다시 투영하는 것이 잘 정의됨(well-posed)을 증명합니다. 커뮤니티가 AC-OPF의 공유된 출발점을 기반으로 연구할 수 있도록 모든 모델, 데이터 및 코드를 공개합니다.

arXiv:2609.26855v3cs.LG

QUARTET: 관계 그래프에서 트랜스포머를 강화하기 위한 4분기 교차 어텐션과 랜덤 워크 트레이스

QUARTET: Quad-branch cross-Attention and Random-walk Traces for Enhancing Transformers on Relational Graphs

관계 심층 학습(RDL)은 다중 테이블 데이터베이스를 이종 시간 그래프로 모델링하며, 그래프 트랜스포머는 RelBench와 같은 벤치마크에서 현재 최첨단 성능을 달성한다. 그러나 현재 선두 모델인 RelGT는 두 가지 핵심 한계가 있다. 무작위 로컬 샘플러가 느슨하게 연결된 부분 그래프를 만들어 메시지 전달을 방해하고, 전역 어텐션 모듈이 단일한 시드 특징 기반 메모리에만 의존해 더 넓은 거시적 수준의 역학을 놓친다. 이 한계를 극복하기 위해, 로컬 부분 그래프에 전체 셀프 어텐션을 적용하고 교차 어텐션 분기로 전역 문맥을 풍부히 하는 표현력 있는 그래프 트랜스포머 아키텍처 QUARTET을 제안한다. 구체적으로 QUARTET은 최근성 절단 개인화 PageRank(PPR)에 기반한 인과적 랜덤 워크(CRW) 샘플러로, 시간적 누출 없이 간결하고 허브-강건하며 밀집 연결된 로컬 부분 그래프를 추출한다. 동시에 4분기 교차 어텐션 모듈은 시드 특징, 시드 위상, 시간적 역학, 협력적 역학이라는 네 가지 상보적 관점에서 전역 문맥을 통합한다. RelBench v1 분류 과제 전반에서 QUARTET은 현재 최첨단 그래프 트랜스포머 기준선(HGT 및 RelGT)과 지속적으로 동등하거나 더 나은 성능을 보인다. 절제 연구는 CRW 샘플러가 로컬 이웃 품질을 크게 향상시키고, 전역 분기가 과제별로 필수적인 예측 이득을 제공함을 확인한다.

arXiv:2608.25727v2cs.LG

LLM 강화 그래프 신경망의 프라이버시 위험 감사

Auditing Privacy Risks in LLM-Enhanced Graph Neural Networks

최근 대규모 언어 모델(LLM)은 노드(node) 표현에 의미론적 정보를 풍부하게 더함으로써 그래프 신경망(GNN)을 발전시켰고, 이를 통해 상당한 성능 향상을 달성하는 LLM 강화 GNN(LLM-enhanced GNN)이 등장했습니다. 그러나 이러한 의미론적 강화가 프라이버시 위험에 어떤 영향을 미치는지는 여전히 거의 탐구되지 않았습니다. 이러한 격차를 해소하기 위해, 본 연구는 (1) 데이터셋 준비, (2) 피해자 모델 학습(training), (3) 프라이버시 공격, (4) 위험 평가, (5) 방어 분석의 5단계로 구성된 통합 프레임워크를 통해 LLM 강화 GNN의 프라이버시 위험을 체계적으로 감사합니다. 구체적으로, 본 평가는 다양한 도메인에 걸친 10개의 텍스트 속성 그래프 데이터셋, 6가지 프라이버시 공격, 42가지 LLM 강화 GNN 구성, 그리고 3개의 최신 언어 모델 백본을 포괄합니다. 광범위한 실험 결과에 따르면, 유용성 향상에도 불구하고 LLM 강화 GNN은 평가된 공격 하에서 다양한 모델과 데이터셋 전반에 걸쳐 얕은 텍스트 표현 베이스라인보다 경험적으로 일관되게 더 큰 프라이버시 취약성을 나타냅니다. 추가 분석을 통해 LLM 강화 표현이 임베딩(embedding) 공간에서 링크, 레이블 및 멤버십 관련 신호를 더 뚜렷하게 구별할 수 있게 하여 추론(inference) 공격에 더 쉽게 악용될 수 있음을 보여줍니다. 마지막으로, 대표적인 방어 기법들을 평가하고 이러한 프라이버시 위험을 완화하는 효과를 검토합니다. 전반적으로 본 연구는 LLM 강화 GNN의 프라이버시 위험에 대한 체계적인 감사를 제공하며, 보다 안전하고 신뢰할 수 있는 그래프 학습 시스템을 개발하기 위한 통찰을 제시합니다.

arXiv:2606.31804v2cs.LG

그래프 기반 에너지 시계열의 불확실성 정량화를 위한 문맥 내 잔차 보정

In-Context Residual Calibration for Uncertainty Quantification of Energy Time Series over Graphs

정확한 에너지 수요 예측은 현대 지속 가능한 에너지 시스템의 안정적인 운영과 계획 수립에 필수적입니다. 시공간 그래프 신경망(STGNN)은 상호 연결된 에너지 노드 간의 시간적 동역학과 관계적 의존성을 공동으로 모델링하여 점 예측(point forecasting)에서 최근 뛰어난 성능을 달성했습니다. 그러나 실제 에너지 시스템에서는 정확한 점 예측만으로는 불충분하며, 운영자는 불확실성 상황에서의 위험 인식 의사결정, 그리드 안정성 및 운영 계획을 지원하기 위해 신뢰할 수 있는 불확실성 추정치 또한 필요로 합니다. 등가성(exchangeability) 가정 하에서 불확실성 정량화를 위한 원칙적이고 모델 불가지론적인(model-agnostic) 프레임워크를 제공하는 컨포멀 예측(conformal prediction)은 안전이 중요한 에너지 응용 분야에서 특히 매력적입니다. 하지만 기존의 컨포멀 예측 접근 방식은 에너지 시스템의 복잡한 시공간 구조를 온전히 포착하지 못하는 경우가 많습니다. 이러한 한계를 해결하기 위해, 본 논문에서는 그래프 기반 예측과 정형 파운데이션 모델(tabular foundation model)의 문맥 내 학습(ICL) 기능을 통합한 컨포멀 기반 사후 잔차 보정 프레임워크인 STOIC(Spatial-Temporal uncertainty quantificatiOn via In-Context learning)를 제안합니다. STOIC은 먼저 STGNN을 사용하여 점 예측을 생성한 다음, 시공간 잔차를 문맥 내 학습에 적합한 정형 표현으로 재구성합니다. 정형 파운데이션 모델을 활용하여 STOIC은 보정 모델의 작업별 재학습 없이도 특징 조건부 잔차 분위수를 추정하며, 순차적 의존성과 관계적 의존성을 모두 효과적으로 포착합니다. STOIC은 컨포멀에서 영감을 얻은 잔차 보정 방법으로 보아야 하며, 임의의 시간적 의존성 하에서 그 자체로 유한 표본 분포 무관(distribution-free) 커버리지 보장을 제공하지는 않습니다...