생성형 추천을 위한 시맨틱 ID(Semantic ID, SID)에 관한 기존 연구들은 SID 구축을 표현 학습(representation learning) 문제로 취급하여, 아이템을 양자화된 잠재 공간으로 인코딩하고 코드를 읽어내는 방식을 취합니다. 본 논문에서는 이러한 관점이 본질적이지 않다고 주장합니다. SID 구축은 본질적으로 재귀적 클러스터링(recursive clustering) 문제이며, 이렇게 정의하면 클러스터링할 자연스러운 대상은 노드가 시맨틱 콘텐츠를 담고 에지가 협업 신호(collaborative signal)를 전달하는 그래프가 됩니다. 즉, SID 할당은 계층적 그래프 분할(hierarchical graph partition)이 됩니다. 이러한 재구성을 통해 기존 접근 방식을 대체하기보다는 포괄하는 통합 프레임워크인 그래프 기반 시맨틱 ID(Graph-Informed Semantic IDs, GrIS)를 도출합니다. RQ-VAE 및 RQ-KMeans는 그래프가 비어 있는 특수한 경우로 환원되며, 이는 콘텐츠 전용 양자화가 지금까지 하나로 뭉쳐져 있던 두 축인 그래프 구축과 재귀적 분할 알고리즘으로 이루어진 더 큰 설계 공간의 한 단면에 불과함을 보여줍니다. 본 연구에서는 두 가지 대조적인 구현체를 탐색합니다. 하나는 미분 가능한 그래프 풀링(pooling)을 통해 계층적 할당을 수행하는 RecDMoN이고, 다른 하나는 그래프 인식 아이템 표현과 그래프 재구성 목적 함수를 통해 RQ-VAE를 확장하는 RQ-GAE입니다. 여러 실제 데이터셋에서 GrIS는 협업 필터링(CF) 인식 최신 기술(SOTA) 대비 일관되게 향상된 성능을 보여주며, Hit@10에서 최대 +52%의 성능 향상을 달성합니다. 그래프 구축과 분할이 명시적이고 개별적으로 구성 가능한 컴포넌트이기 때문에, 두 축 중 어느 한쪽의 개선점이라도 결합하여 체계적으로 평가할 수 있습니다.
3D 키포인트 검출은 컴퓨터 비전(CV) 분야에서 오랫동안 지속되어 온 난제입니다. 대부분의 검출기는 학습되지 않은 휴리스틱 후처리 단계로 마무리됩니다. 본 논문에서는 방향성 그래프 신경망으로 확장한 Point Transformer 백본과 결합하여, 학습 기반 억제 모듈로 이러한 후처리 단계를 개선한 3D 키포인트 검출기를 제안합니다. 이 모듈은 후보군을 대상으로 어떤 것을 유지하고 어떤 것을 억제할지, 그리고 남은 키포인트를 어떻게 재배치할지 학습하는 그래프 네트워크입니다. 세 가지 백본과 결합했을 때, DBSCAN 및 탐욕적 비최대 억제(NMS) 대비 성능을 향상시키며, 원시 기하학 정보 대신 후보 특징을 기반으로 작동하므로 구조적 키포인트와 의미론적(semantic) 키포인트 모두에 동일한 정식화가 적용됩니다. 제안하는 모델은 16개의 KeypointNet 카테고리 중 12개에서 카테고리별로 학습된 KeypointDETR을 능가하고, Building3D Entry-Level 벤치마크에서 최고 Corner F1을 달성하며, 더 큰 Tallinn 분할 데이터셋에서도 BWFormer와 대등한 경쟁력을 유지합니다. GitHub 구현체: https://github.com/cansdev/learned-suppression-3d.
해부학적 메시 분할(anatomical mesh segmentation)은 다양한 해상도의 메시 전반에서 좌표 포즈(coordinate pose) 변화에 강건성을 유지하면서 불규칙한 표면 기하학에서 직접 작동하는 모델을 필요로 합니다. 기존의 태스크 특화 메시 및 포인트 클라우드 방식들은 등변성(equivariance)을 지니지 않아, 일치하는 학습(training) 증강을 적용하더라도 3D-IOSSeg에서 $40^\circ$ 회전 시 IoU 점수가 28-30 포인트 하락하는 등 테스트 시점의 섭동(perturbation)에 급격한 성능 저하를 보일 수 있습니다. 본 논문에서는 등변 메시 신경망(EMNN)을 기반으로 구축된 등변 해부학적 메시 분할기인 EAMS를 제시하고, 에지(edge), 정점(vertex), 면(face) 수준의 지도 학습을 포괄하는 세 가지 임상 응용 분야의 4개 데이터셋(dataset) 설정에서 이를 평가합니다. 저자들은 내재적 메시 기술자(intrinsic mesh descriptor)를 치열궁(dental arch) 및 간 표면에 대한 PCA 유도 프레임을 포함한 해부학 인지 사전 정보와 결합하고, 경량 글로벌 컨텍스트를 제공하도록 메시지 전달을 증강합니다. 두개내 동맥류 및 구강 내 분할 전반에서 EAMS 변형 모델들은 섭동이 없는 입력에 대해 특화된 베이스라인과 견줄 만한 성능을 보이면서도 기하학적 섭동 하에서 안정성을 유지하며, 간 표면에서는 표준 포즈 정확도와 회전 강건성 간의 유리한 절충점을 보여줍니다. 이러한 결과는 경량(2M 미만의 파라미터) 등변 프레임워크가 다양한 레이블 유형 전반에서 강건한 해부학적 메시 분할을 달성할 수 있음을 보여줍니다.
잡 샵 스케줄링 문제(job shop scheduling problem)는 까다로운 조합 최적화(combinatorial optimization) 문제이며, 최근 그래프 신경망(GNN)을 활용한 강화학습(RL) 접근법은 문제 인스턴스로부터 스케줄링 정책을 직접 학습하는 데 유망함을 보여주었다. 그러나 대규모 인스턴스에 대한 학습은 여전히 연산 비용이 많이 들고, 다양한 인스턴스 크기에 걸친 일반화는 여전히 어려운 과제로 남아 있다. 본 논문에서는 잡 샵 스케줄링 문제에서 그래프 신경망 기반 강화학습을 위한 커리큘럼 러닝(curriculum learning)을 연구하며, 세 가지 타깃 크기인 20 x 20, 25 x 25, 30 x 30에 대해 단일 크기 학습(single-size training)과 비교한다. 커리큘럼 환경에서는 정책을 먼저 더 작은 인스턴스에서 학습시킨 후 점진적으로 더 큰 타깃 크기에 적응시켜, 초기 단계에서 학습된 스케줄링 동작이 더 큰 인스턴스에서의 학습을 뒷받침하도록 한다. 모델은 모든 평가 크기에 걸친 일반화와 타깃 크기에 대한 특화(specialization)를 모두 고려하여, 최적성 갭(optimality gap)을 사용해 8 x 8부터 30 x 30까지의 미확인(unseen) 인스턴스에서 평가된다. 실험 결과에 따르면 커리큘럼 러닝은 실제 학습 소요 시간(wall-clock training time)을 일관되게 단축하며, 타깃 크기가 커질수록 그 이점이 더 커지는 것으로 나타났다. 가장 강력한 이점은 30 x 30에서 관찰되었는데, 커리큘럼 러닝은 모든 평가 크기에 걸친 평균 최적성 갭을 약 8.1%포인트 줄이고, 타깃 크기의 평균 최적성 갭을 약 8.6%포인트 줄였으며, 학습 시간을 약 50시간 절약했다.
교통 흐름 예측은 지능형 교통 시스템에 필수적이다. 대규모 교통 예측은 국소 공간적 의존성과 지역 간 컨텍스트를 공동으로 모델링해야 한다. 지리적으로 인접한 노드 간 공간적 의존성은 도로 유형과 이동 방향의 차이로 인해 이질적이며, 모든 노드 쌍 상호작용을 통해 전역 정보를 획득하는 것은 상당한 계산 비용을 초래한다. 따라서 국소 이질성을 포착하면서 장거리 컨텍스트를 효율적으로 획득하는 것은 대규모 교통 예측에서 여전히 중요한 과제로 남아 있다. 이러한 과제를 해결하기 위해, 우리는 노드 이웃과 도로 네트워크 지역이라는 두 가지 상보적 세분성에서 공간적 의존성을 모델링하는 Local-Region Spatial Temporal(LoReST) 네트워크를 제안한다. 구체적으로, 관계 인지 국소 집계는 도로 및 방향별 특징 변환을 통해 지리적 이웃 내 이질적 의존성을 포착한다. 지역 간 상호작용은 평균 풀링을 통해 지역 표현을 구성하고, 지역 간 어텐션을 통해 장거리 컨텍스트를 교환한 뒤 이를 노드로 다시 전파한다. 국소 정보 집계와 지역 간 상호작용을 통합함으로써 LoReST는 대규모 도로 네트워크에서 공간적 의존성 학습을 효과적으로 수행할 수 있다. LargeST 벤치마크의 네 개 데이터셋에 대한 실험은 MAE, RMSE, MAPE에서 각각 평균 상대 감소율 4.78%, 3.60%, 5.75%를 보여준다.
서브그래프 샘플링은 대규모 그래프 신경망(GNN)의 학습 비용을 줄이지만, 샘플링 기준은 엣지의 기하학적 역할을 간과할 수 있다. 우리는 대규모 그래프용 곡률 근사 방법인 ERC-LG 위에 구축한 저항 곡률(resistance curvature) 유도 샘플링 프레임워크를 제안한다. ERC-LG는 Johnson-Lindenstrauss 투영과 정규화된 다중 GPU 배치 공액 그래디언트(conjugate gradient) 솔버를 결합하여, 명시적인 라플라시안 의사역행렬(pseudoinverse) 계산과 전체 임베딩 저장을 피한다. 이렇게 얻은 곡률은 GNN 학습 서브그래프를 구성하기 위한 노드 및 엣지 샘플링 확률을 결정하는 데 활용된다. 실험 결과, 의사역행렬 기반 곡률과 수치적으로 일치하며 CG만 사용한 계산 대비 실행 시간이 감소한다. ERC-LG 기반 샘플링 변형은 다운스트림 노드 분류에서 7개 실세계 데이터셋 중 6개에서 최고 평균 정확도를 달성한다.
많은 노드(node) 분류(classification) GNN은 로컬 메시지의 비음수 혼합에 선형 분류기를 적용합니다. 오류는 부적절한 혼합 가중치를 반영하거나, 도달 가능한 로짓(logit) 집합이 분류기에 적합하지 않게 배치되었음을 나타낼 수 있습니다. 본 연구에서는 정확한 질량(exact-mass) 선형 계획법과 두 가지 학습된 사후(post-hoc) 복구를 통해 이러한 원인들을 분리합니다. 모든 재가중치화(reweighting)된 예측은 동등한 중심화된 로짓 평행이동(translation)을 가지지만, 메시지로 유도된 변위 집합 내의 평행이동만이 재가중치화를 통해 실현 가능합니다. 8개의 데이터셋(dataset), 8개의 GNN 백본, 10개의 분할에 걸쳐 동결된 모델의 평균 정확도는 62.6%에서 재가중치화 적용 시 63.8%, 집합 조건부 평행이동 적용 시 65.3%로 상승합니다. 매개변수(parameter)가 일치된 노드 전용 평행이동기는 64.6%에 도달하여, 평행이동이 성능 향상의 대부분을 설명하는 반면 메시지 집합은 더 작은 추가적 이점을 제공함을 보여줍니다. 오라클(oracle) 재가중치화는 많은 오류를 수정할 수 있지만, 라벨 없는(label-free) 재가중치화는 이러한 잠재력을 거의 활용하지 못합니다. 즉, 로컬 증거는 종종 존재하지만 선택하기 어려우며, 증거 제약을 완화하는 것이 해당 제약 내에서 학습하는 것보다 더 효과적입니다.
그래프 신경망(GNN)은 마이크로서비스 근본 원인 분석(RCA)에 관한 최근 연구를 지배하고 있으나, 최신 연구 결과들은 그래프의 기여 여부에 의문을 제기합니다. 이러한 결과들은 파이프라인 전체를 비교하므로 평면(flat) 모델이 우세할 때 구조가 불필요한 것인지 혹은 중복된 것인지 구별할 수 없습니다. 우리는 RCAEval에서 이들이 시사하는 비교를 수행합니다. 즉, 동일한 특징, 최적화기(optimiser), 검증(validation) 분할, 조기 종료 규칙 및 점수 산출 헤드를 공유하며 단일 항으로만 그래프 군을 구분하는 세 가지 학습 군을 구성했습니다. 두 개의 RCAEval 벤치마크(benchmark), 두 개의 토폴로지 소스 및 네 가지 체제 전반에 걸쳐 신뢰할 만한 그래프 특화 효과를 발견하지 못했습니다. 분포 내(in-distribution)에서 그래프 모델(model)은 기존 평면 모델을 Avg@5 기준 0.003 앞서는 데 그쳤습니다(p = 0.844, n = 6개 서로소 폴드). 파이프라인을 감사한 결과 해당 벤치마크의 모든 결과를 좌우하는 두 가지 특성이 드러났습니다. RCAEval은 원격 측정(telemetry)에서 12개에서 70개의 서비스를 노출하면서도 시스템당 단 5개의 서비스에만 장애를 주입하며, 주요 지표는 Avg@5입니다. 즉, 원격 측정을 전혀 읽지 않는 순위 산출기조차 홀드아웃된 인시던트의 99.7%에서 실제 원인을 상위 5개 내에 배치하여 0.488의 Avg@5를 기록했습니다. 균등 무작위(uniform-random)의 0.137이 아닌 바로 이 사전 확률(prior)이 진정한 분포 내 바닥(floor)이며, 이는 여러 시스템 전반에서 0.192로 급감합니다. 두 번째 특성은 대부분의 RE1 사례에서 원격 측정을 조용히 0으로 만들어 버리는 불균일한 컬럼 스키마입니다. 우리는 발표된 기준선(baseline)이자 RCAEval 자체의 참조 구현인 BARO를 재현했습니다. 깨끗한 스키마를 가진 단 하나의 시스템에서 이는 다른 점수 산출 규칙 하에 우리 휴리스틱과 0.004 이내의 유사한 종합 정확도에 도달했습니다. 이러한 감사를 바탕으로 새로운 모델을 제안했습니다. PSC-GRCA는 후보 점수를 시스템 사전 확률, 원격 측정 증거, 그리고 중심화된 그래프 잔차로 분리하며, 평면 기준선의 0.864 대비 평균 Avg@5 0.915에 도달하는 한편, 소거 연구(ablation) 결과 향상의 대부분이 그래프보다는 사전 확률 항에서 비롯됨을 확인했습니다. 마지막으로, 기록된 62개의 결함에서 도출한 그래프 대 평면 소거 연구를 위한 12개 항목의 체크리스트를 제시하며 마무리합니다.
고분자 물성 예측에는 머신러닝 방법론의 엄밀한 비교를 가능하게 하는 공개적이고 표준화된 벤치마크(benchmark)가 부족하며, 기존 리소스는 단일중합체(homopolymer)와 같이 좁은 범위의 고분자 구조만을 다룹니다. 본 연구에서는 실험적 측정, 밀도 범함수 이론(DFT), 분자 동역학(molecular dynamics) 데이터를 포함하여 8가지 물리적 특성에 걸친 약 250,000개의 고분자-물성 데이터포인트로 구성된 공개 데이터셋인 Polymer Benchmark 2026(PolyBench26)을 소개합니다. 이 벤치마크는 단일중합체 및 교대, 랜덤, 블록 공중합체에 걸쳐 분포 내(in-distribution) 물성 예측, 데이터셋 크기 스케일링(scaling), 반복 단위(repeat-unit) 복잡도, 미확인 고분자 구조로의 전이 등 4가지 평가(evaluation) 태스크를 지원합니다. 우리는 언어 모델(language model), 그래프 기반, 기술자(descriptor) 기반 접근법을 비교하였으며, 그래프 기반 모델이 물성 예측에서 가장 낮은 오차를 보이고 평가된 학습(training) 세트 크기 전반에서 우위를 유지하며 반복 단위 복잡도 증가에 대해서도 견고함을 유지한다는 것을 발견했습니다. PolyBench26은 점점 더 복잡해지는 고분자 설계 공간을 위한 모델을 개발하는 데 재현 가능한 기반을 제공합니다. PolyBench26 벤치마크는 https://github.com/rlearsch/PolymerBenchmark2026 에서 오픈소스로 이용할 수 있습니다.
최대 독립 집합(maximum independent set, MIS) 문제는 스케줄링, 자원 할당, 네트워크 분석 등에 응용되는 기본적인 NP-hard 조합 최적화(combinatorial optimization) 문제이다. 정확 솔버(exact solver)는 고품질 해 또는 최적성 증명(optimality certificate)을 제공할 수 있으나, 계산 비용은 그래프 크기에 따라 급격히 증가한다. 반면 수작업 휴리스틱(hand-crafted heuristic)은 보장을 희생하는 대신 확장성(scalability)을 개선한다. 학습 기반 방법은 그래프 인스턴스 간 구조적 패턴을 활용하는 대안을 제공하지만, 독립 집합을 직접 예측하면 대규모 그래프에서 전역 조율(global coordination)이 어려워질 수 있다. 우리는 대신 학습을 이용해 다중 수준 그래프 조 정(multilevel graph coarsening)을 안내하고, 최종 의사 결정에는 조합 탐색(combinatorial search)을 유지한다. Dual-GNN 다중 수준 조 정 프레임워크는 Partition GNN으로 후보 수축(contraction)을 점수화하고, Representative GNN으로 각 최종 클러스터에 대해 상위 k개의 지역 독립 집합 상태를 선택한다. 최대 2,000개 정점(vertex)을 갖는 Erdős–Rényi 그래프 실험에서 유리한 품질–실행 시간 트레이드오프(quality–runtime trade-off)를 보여준다. 인증된 최적해가 있는 500정점 인스턴스에서, 본 방법은 평균 독립 집합 크기 19.20을 달성하며 이는 최적값 19.30의 99.5%에 해당한다. 정확 해법의 평균 벽시계 시간(wall-clock time) 643.57초를 3.41초로 줄여 약 189배 속도 향상(speedup)을 얻는다. 1,000 및 2,000 정점의 더 큰 그래프에서는 평가된 모든 방법 중 최고의 평균 해 품질을 달성한다. 또한 가장자리 확률(edge probability) $p=0.35$인 Erdős–Rényi 그래프에서만 학습했음에도, 학습된 조 정 정책은 보지 못한 그래프 밀도와 구조적으로 다른 그래프 계열 모두에 효과적으로 일반화(generalize)된다.
신경망, 특히 메시지 전달 신경망(MPNN)은 어려운 조합 최적화(combinatorial optimization) 문제를 해결하기 위한 휴리스틱으로 점차 널리 활용되고 있습니다. 그러나 많은 학습(training) 기반 방법론들은 지도 학습, 강화학습(reinforcement learning), 또는 그래디언트(gradient) 추정기에 의존하여 높은 계산 비용, 불안정한 학습, 또는 제한적인 이론적 보장만을 제공하는 한계가 있습니다. 전통적인 근사 알고리즘은 최악 조건 보장을 제공하지만 미분 불가능하며 자연적인 입력 분포의 구조에 적응할 수 없습니다. 본 연구에서는 클러스터링, 요약, 물류, 공급망 등에 응용되는 문제인 균일 시설 입지(Uniform Facility Location, UniFL) 문제를 통해 이러한 상충 관계를 조사합니다. 솔버의 지도 신호나 이산 완화(discrete relaxation) 없이도 근사 알고리즘 원리를 통합하는 완전 미분 가능한 MPNN을 제안합니다. 제안된 모델(model)은 증명 가능한 근사 보장을 지니며, 경험적으로 표준 근사 알고리즘보다 향상된 성능을 보여 정수 선형 계획법(integer linear programming)과의 격차를 좁힙니다.
그래프 생성은 결합된 구조적 제약을 만족하면서 이산적인 노드 및 엣지 속성을 샘플링하는 것을 목표로 한다. 그래프용 확산 모델은 종종 대체로 분해된(forized) 순방향 노이징을 채택하며, 많은 flow-matching 방법은 분해된 기준(reference) 노이즈와 좌표별(coordinate-wise) 보간에서 출발하므로, 노드-엣지 결합(node-edge coupling)이 생성 기하(generative geometry)에 인코딩되지 않고 핵심 네트워크가 이를 암묵적으로 복구해야 하며, 이는 이산 디코딩 이후 취약해질 수 있다. 베이지안 플로우 네트워크(BFN)는 분포 파라미터를 진화시키며 이산 생성을 자연스럽게 지원한다. 그러나 고전적 BFN은 일반적으로 분해된 belief와 독립 채널에 의존하여 기하학적 증거 융합(geometric evidence fusion)을 제한한다. 우리는 구조화된 정밀도(structured precisions)로 지배되는 다루기 쉬운(tractable) 결합 가우시안 변분 belief 패밀리로의 변분 lifting을 수행하는 변분 베이지안 플로우 네트워크(VBFN)를 제안한다. 각 베이지안 업데이트는 대칭 양정(positive definite) 선형 시스템을 푸는 것으로 환원되어, 단일 융합 단계 내에서 결합된 노드 및 엣지 업데이트를 가능하게 한다. 우리는 표현으로부터 유도된 의존성 그래프(representation-induced dependency graph)로부터 샘플에 무관한(sample-agnostic) 희소 정밀도를 구성하여, 레이블 누출(label leakage)을 피하면서 노드-엣지 일관성을 강제한다. 합성 및 분자 그래프 데이터셋에서 VBFN은 충실도(fidelity)와 다양성을 개선하고 기준선 방법을 능가한다. 재현 가능한 코드는 https://github.com/Cello2195/VBFN 에서 제공된다.
본 연구에서는 공격을 통해 확인된 프라이버시 손실(privacy loss)에 대해 통계적으로 유효한 하한을 사용하여, 엣지 이웃(edge-neighbouring) 입력으로부터 생성된 출력이 구별 가능한 상태로 유지되는지 테스트함으로써 프라이버시 유출을 실증적으로 감사합니다. 본 프레임워크는 타깃 엣지를 둘러싼 기하학적 구조를 통해 직접 엣지(direct-edge), 국소 구조(local-structural), 그리고 GNN 기반 공격을 비교합니다. 두 개의 생성기와 두 개의 네트워크에 걸친 실험 결과, 프라이버시 유출은 메커니즘과 네트워크 모두에 의존적이며, 학습된 표현(learned representation)이 기존의 국소 통계로는 포착되지 않는 정보를 드러냄을 보여줍니다.
본 논문은 COLIEE 2026 Task 1(판례법 검색)에 제출한 ABAI 시스템과, 해당 시스템의 성능이 기대에 못 미친 이유에 대한 통제된 분석을 제시한다. 이 과제에서는 인용된 구절 자체가 제거되어, 검색기가 의존할 수 있는 어휘적 중첩의 상당 부분이 사라진다. 이에 대응하여 우리의 파이프라인은 독립적으로 학습된 네 단계로 구성된다. 첫째, 인용 문맥 윈도우에 대한 다중 뷰 BM25와 역순위 융합(reciprocal rank fusion), 둘째, 신경망 리랭킹, 셋째, 엔티티 커뮤니티와 그래프 어텐션 네트워크(graph attention network)로부터 얻은 그래프 기반 특징, 넷째, 34개 특징에 대한 LightGBM 메타 학습기이다. 우리의 최고 성능 실행은 공식 테스트 세트에서 F1=0.177을 기록했으며, 이는 교차 검증에서의 0.311에 비해 낮다. 우리는 이 격차의 원인을 재현율(recall) 상한, 시간적 분포 변화, 임계값 보정 오류로 추정했고, 이후 세 가지를 모두 검증했다. 누수가 없는 프로토콜에서 임계값 전이에 따른 손실은 F1 0.007에 불과하고, 결정 품질은 시간순 사분위 전반에서 일정하며, 공식 테스트 질의는 두 개의 독립적인 임베딩 공간에서 학습 질의들 서로 간의 거리보다 학습 매니폴드에서 측정 가능할 만큼 더 멀지 않다. 대신 미스(miss)를 분해해 보면, 한 번도 검색되지 않은 후보와 검색되었으나 컷오프 아래로 순위가 매겨진 후보로 정확히 절반씩 나뉜다. 각 절반에 대한 해결책을 측정한 결과, BM25 길이 정규화 튜닝, 이벤트 트리플(event-triple) 뷰, 전체 콘텐츠 밀집 벡터(dense) 융합은 top-200 재현율을 3~7%p 높였고, 자기 인용 누수를 제거하면 인용 그래프 특징은 8개 시드에 걸쳐 F1을 0.014 향상시켰다. 반면 질의별 컷오프 규칙, 제로샷 리랭커 교체, 날짜 필터는 도움이 되지 않았다. 또한 프로토콜을 바로잡자 결과가 뒤집힌 네 가지 평가 아티팩트(artifact)도 함께 문서화한다.
중첩 커뮤니티 탐지는 노드가 여러 구조적 또는 기능적 그룹에 동시에 속하는 네트워크를 모델링하는 데 필수적이다. 기존 그래프 신경망 접근법은 일반적으로 국소 메시지 패싱에 의존하는데, 이는 스무딩(smoothing)으로 인해 커뮤니티 경계를 흐릴 수 있으며 구조적으로 관련된 장거리 의존성의 표현을 제한한다. 본 논문에서는 영향력 확산 동역학에서 도출한 구조적 사전 분포(structural prior), 희소 멀티헤드 어텐션, 비음수 커뮤니티 소속도 학습을 결합한 딥러닝 프레임워크인 DISCO(Diffusion-Induced Spatial Attention Community Detection)를 제안한다. 이 사전 분포는 직접 인접한 이웃 너머의 후보 상호작용을 식별하고 구조적 근접도에 따라 어텐션에 편향을 부여하며, 베르누이-푸아송(Bernoulli-Poisson) 엣지 재구성 목적 함수는 노드 속성, 구조적 프로파일 또는 이 둘 모두로부터 중첩 커뮤니티를 추론할 수 있게 한다. 벤치마크 실험 결과, DISCO는 다양한 입력 구성에서 기존의 그래프 합성곱 및 그래프 어텐션 접근법과 대등한 성능을 보였다. 실용적 적용 가능성을 보이기 위해, 연속된 통신 네트워크 스냅샷에서 추론한 커뮤니티 할당 간의 변화가 해석 가능한 이상 징후 신호를 제공하는 사이버 보안 사용 사례를 개념 증명(proof-of-concept)으로 제시한다. 시간적 커뮤니티 유사도는 구조적 이탈을 식별하고, 노드 수준의 기여도는 이와 관련된 장치를 찾는 데 도움을 준다. 따라서 DISCO는 중첩 커뮤니티 탐지를 위한 유연한 방법이자 동적 네트워크의 구조적 변화를 분석하기 위한 기반을 제공한다.
계층적 잠재 통신(hierarchical latent communication)은 다중 그리드 전력 조류 모델이 새로운 운영 시나리오로 일반화하는 능력을 향상시킨다. 이 모듈은 GENCO 기반 corrective network 내에서 두 개의 축소 그래프를 통해 정보를 교환한다. 세 가지 그리드 토폴로지에서 모델당 세 가지 초기화 시드를 사용한 200 에포크 예비 학습 동안 Kron 유도 수송(Kron-derived transports), 동일 앵커 Quotient 구성(same-anchor Quotient construction), 평(flat) backbone을 비교한다. 평가는 그리드당 새로 생성·사전 선정된 200개 시나리오를 사용한다. 학습 토폴로지에서 Kron은 macro family-balanced 전압 오차를 5.660 ± 0.899에서 0.851 ± 0.110으로 줄였으며, 이는 Flat GENCO 대비 85.0% 감소이고 Quotient(1.235 ± 0.225) 대비 31.0% 감소이다. 두 계층형 모델은 세 시드 모두에서 모든 학습 토폴로지에서 학습 해에 맞춘 버스별 평균(per-bus mean) fitted 기준보다 우수하다. 이 결과는 공유된 한 세트의 학습 파라미터로 그리드 전반에 걸쳐, 연구된 토폴로지 내에서 운영 시나리오 간 일반화를 보여 준다. 두 가지 추가 토폴로지에 대한 평가는 이 성과를 교차 토폴로지 일반화와 구분한다: 현재 모델은 calibrated-transfer 설정에서 fitted 기준을 아직 능가하지 못한다. 본 preprint는 다중 그리드 전력 조류 학습의 구성 요소로서 계층적 통신에 대한 아키텍처와 예비 근거를 제시하며, 보지 못한 토폴로지로의 일반화를 다음 개발 목표로 둔다.
크로스체인 브릿지는 이종 블록체인 간의 자산 및 상태 전송을 가능하게 하지만, 복잡한 크로스 도메인 상호작용으로 인해 기존의 단일 체인 분석 방법으로는 모니터링하기 어려운 새로운 공격 표면을 유발합니다. 기존 접근 방식들은 대개 고립된 온체인 동작에 초점을 맞추며 크로스체인 트랜잭션의 다단계 실행 의미론(execution semantics)을 포착하지 못합니다. 본 논문에서는 크로스체인 실행 동작에 대한 위험 인식 모델링을 통해 크로스체인 브릿지 공격을 탐지하는 그래프 기반 프레임워크인 BridgeShield를 제시합니다. BridgeShield는 실행 트레이스 및 이벤트 로그로부터 크로스체인 동작 그래프를 재구성하여 소스 체인, 오프체인 릴레이 컴포넌트, 대상 체인 전반의 상호작용을 포착합니다. 공격 관련 구조를 부각하기 위해, 본 프레임워크는 차분 메타 경로 선택(differential meta-path selection)을 사용하여 정상 트랜잭션과 공격 트랜잭션 간의 구조적 편차를 보이는 실행 패턴을 식별하고, 계층적 위험 전파를 통해 상호작용 단계 전반에 분산된 위험 신호를 집약합니다. 실제 브릿지 사고에 대한 실험 결과, BridgeShield는 크로스체인 공격 탐지에서 92.6%의 F1 점수를 달성하며 기존의 규칙 기반 및 그래프 기반 베이스라인을 일관되게 능가함을 보여줍니다. 또한 이 모델은 이전에 보지 못한 공격 사고를 탐지하는 데에도 여전히 효과적이어서, BridgeShield가 과거의 공격 템플릿을 단순 암기하기보다는 구조적 위험 패턴을 포착함을 시사합니다.
확산강조영상(DWI)은 특히 시간 효율적인 프로토콜과 움직임이 발생하기 쉬운 피험자 집단에서 피험자의 움직임에 매우 취약합니다. 슬라이스-볼륨 정합(SVR)이 슬라이스 간 및 스택 간 불일치를 완화할 수 있지만, 확산 MRI는 확산 방향에 따른 대조도와 수십 개의 측정값을 공통 기준 좌표계 내에 정렬해야 하는 요구사항으로 인해 추가적인 복잡성을 유발하며, 실질적으로 4D 정합 문제를 낳습니다. 기존 접근 방식은 주로 순차적 모델링이나 쌍별 유사도에 의존하며, 희소한 그래디언트 샘플링이나 심한 움직임 환경에서 종종 성능이 저하됩니다. 본 연구에서는 DWI의 4D SVR 정합을 위한 q-공간 인지 그래프 기반 프레임워크인 GraphSVR을 소개합니다. GraphSVR은 획득 구조화된 그래프에서 슬라이스 그룹을 노드로 표현하며, 에지는 시간적 근접성, 공간적 슬라이스 기하구조, 확산 인코딩 관계를 인코딩합니다. 그래프 신경망은 전역적으로 일관된 스택 단위 강체 운동을 예측하며, 쌍을 이루는 정답 움직임 없이 해부학적 참조 영상만을 사용하여 자기지도, 제로샷(zero-shot) 방식으로 최적화됩니다. 제어 가능한 움직임 심각도와 그래디언트 희소성을 갖는 실제 획득 기반의 사실적인 재조합 시뮬레이션 및 완전 합성 확산 시뮬레이션 모두를 사용하여 GraphSVR을 평가합니다. 성능은 알려진 정답 변환 대비 그리드 오차(mm) 및 회전 오차를 사용하여 정량화됩니다. 심각한 움직임 하에서 GraphSVR은 표준 DWI 움직임 보정 방법인 FSL eddy에 비해 그리드 오차와 회전 오차를 73% 감소시키며, 가장 큰 개선 효과는 희소 방향 영역에서 관찰됩니다. 이러한 결과는 그래프 기반 추론을 통해 획득 구조를 명시적으로 모델링하는 것이 4D DWI 움직임 추정에서 견고성과 전역적 일관성을 향상시킨다는 점을 보여줍니다. 코드는 https://github.com/nogakertes/GraphSVR.git 에서 이용할 수 있습니다.
텍스트 기반 3D 건물 생성은 엄청난 응용 잠재력을 지니고 있지만, 기존 생성 모델들은 일반적으로 분리할 수 없는 단일 메시(mesh)나 상호작용이 불가능한 렌더링된 표현을 출력합니다. 절차적 모델링(procedural modeling)은 계층 구조를 갖춘 편집 가능한 건물을 생성할 수 있으나 규칙 작성이 번거로우며, 대규모 언어 모델(LLM)의 도움을 받더라도 기하학적 제약 조건 하에서 절차적 규칙을 효과적으로 풀어내는 것은 여전히 어렵습니다. 본 논문에서는 구조화된 건물 생성을 위한 새로운 하이브리드 프레임워크인 ProxyBuild를 제안합니다. 우리는 건물 구성요소를 기하학적 셸(geometric shell)에 단단히 고정하는 새로운 중간 표현인 메시 앵커 기반 절차적 프록시(Mesh-Anchored Procedural Proxy, MAPP)를 도입하여, 생성 작업을 프록시 예측과 프록시-에셋 인스턴스화의 두 단계로 분리합니다. 먼저, MAPP 주석이 포함된 건물 데이터셋을 구축하여 우리가 설계한 면-엣지 이분 그래프(face-edge bigraph) 인코더를 학습시킵니다. 이 인코더는 이종 메시 그래프 상에서 위상 요소들의 특징 상호작용을 명시적으로 모델링함으로써 면과 엣지의 시맨틱 역할을 정확하게 추론합니다. 이후 LLM이 파싱한 텍스트 스타일과 속성 매개변수를 조건으로 하여, 엄격한 제약 조건을 갖춘 공간 배치 로직을 통합함으로써 높은 정밀도의 에셋 검색 및 조립을 완수합니다. 광범위한 실험을 통해 ProxyBuild는 과도한 평활화(over-smoothing), 구성요소 간 충돌, 구조적 손상과 같은 건물 생성의 일반적인 문제들을 크게 완화할 뿐만 아니라, 다양한 출처의 시맨틱 없는 셸을 정확하게 파싱함을 보여줍니다. 다양한 지표에서 기존 베이스라인들을 능가하는 우리의 방법은 텍스트로부터 구조가 명확하고 세부 묘사가 풍부하며 사후 편집이 가능한 3D 건물을 견고하게 생성할 수 있어, 가상현실(VR) 및 디지털 트윈과 같은 다운스트림 애플리케이션을 위한 신뢰성 있고 상호작용 가능한 콘텐츠 기반을 제공합니다.
기존 시각적 장소 인식(VPR, Visual Place Recognition) 데이터셋은 대부분 차량 탑재 영상에 의존하며, 멀티모달 다양성이 제한적이고, 특히 비서구권 도시 맥락에서 밀집 보행자 거리 장면을 충분히 다루지 못한다. 본 논문에서는 밀집 도시 환경에서 보행자 수준의 장소 인식을 위한 도전적이고 세분화된 멀티모달 벤치마크인 MMS-VPR을 제시한다. MMS-VPR은 중국 청두(Chengdu)의 약 70,800 m² 규모 도심 지구 내 208개의 세분화된 위치 클래스에 걸쳐 110,529장의 이미지와 2,527개의 비디오 클립으로 구성되며, 인접한 클래스 간 거리는 최소 10-20 m에 불과하다. 대규모 지역을 다루는 기존 VPR 데이터셋과 달리, MMS-VPR은 반복적인 상점 전면부, 밀집된 가림(occlusion), 급격한 시점 변화 등 시각적 모호성을 통해 난이도를 높였다. 현장 데이터는 2024년에 체계적인 다방향·이중 시점(dual-perspective) 프로토콜에 따라 수집되었으며, 소셜 미디어 이미지는 7년(2019-2025)에 걸쳐 수집된 31,726장의 위치 태그(geolocated) 사진을 통해 장기간의 외관 변화를 제공한다. 각 위치는 주간·야간 촬영, 다양한 시야각, 그리고 GPS 좌표, 타임스탬프, 시맨틱 텍스트, 공간 구문(space syntax) 정보로 보강된 명시적 공간 그래프를 포함한 멀티모달 주석을 특징으로 한다. 우리는 표준화되고 재현 가능한 파이프라인 하에서 얕은 머신러닝(shallow ML), CNN, 트랜스포머(Transformer), 그래프 신경망(GNN), 멀티모달 아키텍처에 걸친 22개의 베이스라인을 통합한 통합 벤치마킹 플랫폼인 MMS-VPRlib을 공개한다. 통제된 모달리티 제거(ablation) 실험 결과, 비디오의 시간적 특징(temporal feature)이 단일 모달리티 중 가장 강력했으며(이미지 단독 대비 정확도 +15.8%), 시맨틱 텍스트는 단독으로도 우수한 대략적 검색 성능(R@5 = 0.988)을 보였고, 전체 멀티모달 융합은 0.981의 정확도로 이미지 단독 대비 +19.2%의 향상을 달성했으며, 그래프 구조 모델링은 세분화된 구조적 하위 집합에서 추가적인 신호를 제공하는 것으로 나타났다. 데이터셋은 https://huggingface.co/datasets/Yiwei-Ou/MMS-VPR 에서, 벤치마크는 https://github.com/yiasun/MMS-VPRlib 에서 이용할 수 있다.