PyTorchKR Papers

최신 논문

총 3,895편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2407.04308v4cs.CV

SSP-GNN: 이단계 최적화를 통한 추적 학습

SSP-GNN: Learning to Track via Bilevel Optimization

우리는 대상 검출 결과가 운동학적 정보와 재식별 특징(속성)을 포함하는 다중 객체 추적(MOT)을 위한 그래프 기반 추적 정식화를 제안합니다. 본 방법은 여러 프레임 배치(batch)에 걸쳐 정의된 추적 그래프에 연속 최단 경로(SSP) 알고리즘을 적용합니다. 이 추적 그래프의 엣지 비용은 그래프 신경망(GNN) 변형인 메시지 전달 신경망(neural network)을 통해 계산됩니다. GNN의 파라미터이자 추적기의 파라미터는 예시 정답 궤적과 검출 결과로 구성된 학습(training) 데이터셋에서 엔드투엔드로 학습됩니다. 구체적으로, 학습은 제안하는 새로운 손실(loss) 함수를 따르는 이단계 최적화(bilevel optimization) 형태로 이루어집니다. 우리는 시나리오 요소 및 모델(model) 하이퍼파라미터에 대한 민감도를 파악하기 위해 시뮬레이션 시나리오에서 알고리즘을 평가합니다. 다양한 시나리오 복잡도 전반에서 본 방법은 강력한 기준선(baseline) 대비 우수한 성능을 보입니다.

arXiv:2512.16607v3stat.ML

비정질 입자 시스템을 위한 볼츠만 생성기

Boltzmann generators for amorphous particle systems

열역학적 평형 상태의 구성(configuration)을 샘플링하는 것은 통계물리학의 오랜 난제이다. 볼츠만 생성기(Boltzmann generator)는 생성 모델을 활용하여 독립적인 구성을 제안한 뒤, 정확한 가능도(likelihood) 평가를 이용한 중요도 샘플링(importance sampling)을 통해 가중치를 재조정함으로써 이 문제를 해결한다. 연속 정규화 흐름(continuous normalizing flow) 및 플로우 매칭(flow matching)에 기반한 최근의 볼츠만 생성기는 입자계와 생체 분자에서 상당한 성공을 거두었다. 그러나 이러한 접근법은 평형 샘플링이 극도로 느린 것으로 악명 높은 비정질 재료(유리)로 확장되지 못했다. 무질서한 구조로 인해 비정질 재료의 불변성(invariance)과 기하학적 제약 조건은 결정이나 생체 분자와 달라 기존 생성 모델을 직접 적용하기 어렵다. 본 논문에서는 필요한 등변성(equivariance)을 리만 확률적 보간(Riemannian stochastic interpolant)에 직접 구축하여 비정질 재료에 특화된 볼츠만 생성기를 개발한다. 제안하는 프레임워크는 등변 그래프 신경망(equivariant graph neural network)을 활용하여 주기적 경계 조건(periodic boundary condition)과 입자 대칭성을 반영한다. 수치 실험을 통해 물리적 대칭성을 강제하는 것이 볼츠만 생성기의 정확도를 크게 향상시킴을 입증하는 한편, 연속 흐름 공식화의 본질적인 한계도 규명한다. 즉, 가능도 적분 과정에서 누적된 수치 오차로 인해 시간 가역성(time-reversibility)이 깨지고 엄밀한 열역학적 재가중이 저해된다는 점이다. 이러한 결과는 통계역학 분야에서 연속 흐름 생성 모델이 직면한 근본적인 과제를 드러내며, 엄밀한 열역학적 일관성을 보존하는 대안적 접근 방식의 필요성을 시사한다.

arXiv:2501.06002v4cs.LG공식 코드 · Papers with Code

DeltaGNN: 정보 흐름 제어 기능을 갖춘 그래프 신경망

DeltaGNN: Graph Neural Network with Information Flow Control

그래프 신경망(GNN)은 메시지 전달(message passing) 과정에서 재귀적인 이웃 집계를 통해 그래프 구조화된 데이터를 처리하도록 설계된 대표적인 심층 학습(deep learning) 모델입니다. 준지도 노드 분류(semi-supervised node classification)에 적용될 때, 메시지 전달을 통해 GNN은 단거리 공간 상호작용을 파악할 수 있지만, 동시에 지나친 평활화(over-smoothing) 및 지나친 압축(over-squashing) 문제를 겪게 됩니다. 이러한 문제들은 모델 표현력을 저해하며, 그래프 내의 장거리 노드 상호작용(LRI)을 포착하기 위해 더 깊은 모델을 사용하는 것을 가로막습니다. LRI 탐지를 위한 기존의 주요 해결책들은 높은 시간 복잡도로 인해 대규모 그래프를 처리하기에 비용이 너무 많이 들거나, 다양한 그래프 구조 전반에 걸쳐 일반화되지 못합니다. 이러한 한계를 해결하기 위해, 본 연구에서는 이론적 근거를 바탕으로 선형적인 계산 오버헤드만으로 지나친 평활화와 지나친 압축 문제를 해결하는 새로운 연결성 척도인 \emph{정보 흐름 점수(information flow score)}를 활용하는 \emph{정보 흐름 제어(information flow control)} 메커니즘을 제안합니다. 이 메커니즘을 기반으로, 본 논문에서는 우리가 아는 한 장거리 및 단거리 상호작용 탐지를 위해 선형 계산 및 메모리 복잡도 오버헤드를 갖추어 \textit{확장 가능(scalable)}하면서도, 다양한 동질성(homophily), 밀도, 토폴로지를 갖는 그래프를 효과적으로 처리할 수 있어 \textit{일반화 가능(generalizable)}한 최초의 아키텍처 중 하나인 DeltaGNN을 소개합니다. 다양한 크기, 토폴로지, 밀도, 동질성 비율을 가진 그래프를 포함한 10개의 실제 데이터셋에서 모델을 벤치마크 평가하였으며, 제한된 계산 복잡도로 우수한 성능을 입증했습니다. 제안된 방법의 구현체는 https://github.com/basiralab/DeltaGNN 에서 공개되어 이용할 수 있습니다.

arXiv:2607.06349v2cs.AI

TopoBrick: 제로샷 건물 IoT 예측을 위한 외생 변수의 에이전틱 토폴로지 샘플링

TopoBrick: Agentic Topology Sampling of Exogenous Variables for Zero-Shot Building IoT Forecasting

TopoBrick은 건물 지식 그래프(Brick Schema)에서 에이전틱 토폴로지 샘플러를 활용해 대상 센서에 특화된 외생 변수(exogenous variable)를 선택하는 학습 불필요(training-free) 제로샷 건물 IoT 예측 프레임워크로, 3개의 실제 건물 실험에서 제로샷 파운데이션 모델 기반 베이스라인을 능가하고 건물별 완전 학습 모델과도 경쟁력 있는 성능을 달성했다.

arXiv:2605.03795v3cs.LG

GraphSVR: 강건한 시공간 대기 오염 예측을 위한 그래프 컨볼루션 서포트 벡터 회귀 프레임워크

GraphSVR: A Graph Convolutional Support Vector Regression Framework for Robust Spatiotemporal Air Pollution Forecasting

그래프 컨볼루션 학습으로 관측소 간 공간 의존성을 포착하고 서포트 벡터 회귀(SVR)로 비선형 시간 역학과 이상치에 강건하게 모델링하는 GraphSVR 프레임워크를 제안해 도시 대기 오염의 시공간 예측을 수행한다. 인도 델리·뭄바이 CPCB 데이터에서 기존 벤치마크 대비 예측 정확도와 계절·이상 오염 구간에서의 안정성을 개선했으며, 컨포멀 예측(conformal prediction)을 결합해 보정된 예측 구간을 제공한다.

arXiv:2209.00546v5stat.ML공식 코드 · Papers with Code

MSGNN: 새로운 자기 부호 라플라시안 기반의 스펙트럼 그래프 신경망

MSGNN: A Spectral Graph Neural Network Based on a Novel Magnetic Signed Laplacian

부호가 있고 방향성이 있는 네트워크는 실제 응용 분야 도처에 존재합니다. 그러나 이러한 네트워크를 위한 스펙트럼 그래프 신경망(GNN)을 제안한 연구는 비교적 적었습니다. 본 논문에서는 부호 그래프에서의 부호 라플라시안과 방향성 그래프에서의 자기 라플라시안(magnetic Laplacian)을 자연스럽게 일반화한, 자기 부호 라플라시안(magnetic signed Laplacian)이라 부르는 부호 방향 라플라시안 행렬을 도입합니다. 이어 이 행렬을 사용하여 새로운 효율적인 스펙트럼 GNN 아키텍처를 구축하고, 노드(node) 클러스터링 및 링크 예측 태스크 모두에서 광범위한 실험을 수행합니다. 이 실험들에서는 부호 정보 관련 태스크, 방향 정보 관련 태스크, 그리고 부호 및 방향 정보 모두와 관련된 태스크를 다룹니다. 제안된 스펙트럼 GNN이 부호 및 방향 정보를 모두 반영하는 데 효과적이며 광범위한 데이터셋에서 최고 수준의 성능을 달성함을 입증합니다. 추가로, 부호 방향 확률적 블록 모델(Signed Directed Stochastic Block Model)이라 부르는 새로운 합성 네트워크 모델(model)과 금융 시계열의 리드-래그(lead-lag) 관계에 기반한 다수의 새로운 실제 데이터셋을 제공합니다.

arXiv:2410.04818v2eess.SY

강건한 교류 최적 조류 계산을 위한 물리 정보 기반 그래프 신경망

Physics-Informed Graph Neural Networks for Robust AC-Optimal Power Flow

본 논문에서는 교류 최적 조류 계산(AC-OPF) 해법을 위해 그래프 신경망(GNN)과 물리 정보 기반 신경망(PINN)을 통합한 비지도 학습 프레임워크인 PINCO를 제시합니다. 실행 가능한(feasible) 인스턴스만을 포함하도록 사전 선별된 데이터셋을 필요로 하는 기존의 최신 비지도 학습 방법들과 달리, 본 접근 방식은 조건수가 나쁜(ill-conditioned) 사례를 포함한 필터링되지 않은 데이터에서도 작동합니다. 이 프레임워크는 기존 연구의 두 가지 핵심적인 공백을 해결합니다: (1) 최대 N-2 상정사고(contingency)에 이르는 토폴로지 변화에 대한 강건성 확보, (2) 데이터 필터링을 위해 기존 솔버에 의존하지 않고 실행 불가능한(infeasible) 최적 조류 계산 인스턴스를 감지하는 것입니다. PINCO는 증강 라그랑주 승수(augmented Lagrangian multipliers)를 통해 물리 법칙을 학습 과정에 임베딩합니다. 또한, 제약 조건 위반 패턴을 기반으로 실행 가능한 해와 실행 불가능한 해를 자동으로 분리하는 학습 가능한 중심점(centroid)을 갖춘 클러스터링 브랜치를 도입합니다. IEEE 30-모선, IEEE 57-모선 및 스위스 송전망을 포함하여 다양한 복잡성을 가진 전력 계통에서 프레임워크를 평가하였으며, 다양한 부하 조건과 토폴로지 변화 하에서도 확장성과 강건성을 입증하였습니다. DeepOPF-FT 및 IPOPT 솔버를 대상으로 한 벤치마크 결과, PINCO는 IPOPT 대비 2~3배의 크기(order of magnitude)에 달하는 연산 속도 향상과 모든 구성 전반에서 더 낮은 운영 비용을 달성하면서도 유사한 수준의 제약 조건 만족도를 제공함을 보여줍니다.

arXiv:2607.12054v3eess.IV

유방 초음파 분류를 위한 GCN 프레임워크에서 이미지 인코더 선택과 그래프 동질성 분석

Analyzing Image Encoder Choices and Graph Homophily in GCN Frameworks for Breast Ultrasound Classification

유방 초음파는 스크리닝에 널리 사용되지만, 스페클 노이즈, 촬영 변동성, 표준 초음파 영상에서 양성과 악성 사례의 미약한 분리 등으로 인해 자동 분석이 여전히 어렵다. 그래프 합성곱 네트워크(GCN)는 유사한 환자 샘플 간 관계를 활용하여 최근 유망한 접근법으로 부상했다. 그러나 이미지 인코더 선택이 그래프 구성과 후속 분류 성능에 어떤 영향을 미치는지는 여전히 불분명하다. 본 연구에서는 GCN 기반 유방 초음파 분류를 위해 합성곱 및 트랜스포머 기반 아키텍처에 걸친 다섯 가지 이미지 인코더를 체계적으로 평가한다. 이미지 임베딩(embedding)을 사용하여 코사인 유사도 k-최근접 이웃 그래프를 구성하고, 선형 분류 헤드를 갖는 단층 GCN으로 분류한다. 세 가지 환자 단위 교차 검증(validation) fold에서, 고용량 인코더는 그래프 동질성(graph homophily)과 후속 분류 성능을 일관되게 향상시켜 정확도(accuracy), AUC, 민감도(sensitivity), 특이도(specificity), F1-score에서 개선을 가져온다. 또한 테스트 세트 그래프 동질성은 분류 정확도와 강한 선형 상관관계를 보이며, 고용량 인코더가 일관되게 고동질성·고정확도 영역을 차지하여, 그래프 구조의 인코더 주도 개선이 관측된 성능 향상의 핵심 기제임을 시사한다. 이러한 결과는 그래프 기반 유방 초음파 분류에서 인코더 선택을 핵심 요인으로 확립하고, 그래프 동질성을 표현(representation) 품질과 후속 분류 성능을 연결하는 핵심 지표로 식별한다.

arXiv:2607.10571v2cs.LG

밴딧 피드백을 활용한 동적 그래프에서의 로컬 워크 학습

Learning from Local Walks on Dynamic Graphs with Bandit Feedback

우리는 동적 그래프 위의 확률적 다중 슬롯 머신 밴딧(stochastic multi-armed bandits)을 연구한다. 여기서 각 암(arm)은 시간에 따라 엣지가 변하는 네트워크의 정점(vertex)에 대응된다. 이 설정에서 학습자는 로컬 이동만 허용되어, 매 라운드마다 현재 노드 또는 인접 이웃 노드만을 선택할 수 있다. 이 제약은 최적 암 식별과 활용(exploitation)을 분리시킨다. 즉, 최적 암이 식별된 이후에도 학습자는 진화하는 위상 구조(topology)를 통해 해당 암에 도달하지 못할 수 있다. 우리는 슬라이딩 윈도우 믹싱(sliding-window mixing)에 기반한 프로세스-비종속적(process-agnostic) 구조 조건을 규명하며, 이를 통해 그래프의 내재적 워크(walk)가 탐험(exploration)과 탐색 모두에서 안정적으로 유지됨을 보장한다. 이 체제 하에서 로컬 탐험 후 확정(explore-then-commit) 알고리즘 계열을 분석하고 준선형(sublinear) 기댓값 후회(expected regret)를 확립한다. 우리의 프레임워크는 보상(reward)-인식 전략을 포함하며, 이에 대해 최악의 경우 안전성 정리(worst-case safety theorem)와 별도의 성능 향상 정리(performance gain theorem)를 증명한다.

arXiv:2607.08659v2cs.LG

EdgeRefine: Privacy-Utility Balance for Graphs via Jaccard Sampling under Edge Differential Privacy

Jaccard 유사도 기반 확률 추정과 프라이버시 예산 ε을 활용한 결정론적 엣지 샘플링으로 노이즈 그래프를 정제하는 로컬 차분 프라이버시(Local Differential Privacy) 프레임워크 EdgeRefine을 제안하며, ε=2.5 조건에서 기존 최신 기법 대비 노드 분류 정확도를 최대 19.7%까지 향상시키면서도 그래프 재구성 공격에 대한 강한 프라이버시 보호를 동시에 달성한다.

arXiv:2607.22875v1cs.LG

Graph Attention Network를 이용한 토양 미세플astics 및 유기물의 공간 예측

Spatial Prediction of Soil Microplastics and Organic Matter Using Graph Attention Networks

토양 미세플astics 및 유기물의 정확한 추정은 생태계 건강을 평가하고 지속 가능한 토지 이용을 지원하는 데 필수적이다. 본 연구는 91개의 지리좌표가 부여된 토양 시료 간 공간적 의존성을 모델링하기 위해 Graph Attention Networks(GAT)를 사용하는 그래프 기반 심층 학습 접근법을 제시한다. 공간 좌표, 토양 특성, 토지 이용 데이터를 통합하여 지역적 상호작용을 포착하는 2층 GAT 아키텍처를 개발하였다. 최종 모델은 우수한 성능을 보였으며, 미세플astics에 대해 RMSE 625.06($R^2 = 0.87$), 유기물에 대해 0.43($R^2 = 0.91$)을 달성하였다. 그러나 교차 검증 결과 일반화 성능이 제한적임이 드러났으며, 이는 아마도 작은 표본 크기와 희소한 그래프 구조 때문인 것으로 보인다. 이러한 결과는 공간적 토양 예측에서 GAT의 잠재력을 보여주며, 밀집된 데이터셋과 개선된 그래프 연결성의 필요성을 강조한다.

arXiv:2607.22781v1cs.LG

소프트맥스가 버리는 것: 증거 누적을 위한 질량 인식 어텐션

What Softmax Throws Away: Mass-Aware Attention for Evidence Accumulation

높은 태스크 성능은 모델이 내부 표현에서 예측과 관련된 구조적 정보를 유지하는지 여부를 보여주지 않는다. 예를 들어, 시간 그래프 모델은 높은 future-link AUC를 달성할 수 있지만, 동일한 표현에서 기본 그래프 통계를 복원하는 것은 여전히 어렵다. 우리는 이러한 격차의 한 원인을 표준 어텐션에서 사용하는 가중 평균에서 찾는다. 증거 패턴이 반복되면 분자와 분모가 같은 속도로 증가하므로, 누적된 증거의 양이 다른 입력들이 동일한 집계값을 만들 수 있다. 우리는 표준 L1 정규화를 Lp 계열로 일반화하는 Mass-Aware Attention(MAA)을 제안한다. 반복 상황에서 MAA는 분자와 분모가 서로 다른 속도로 스케일되게 하여, 표현 크기에 기여하는 입력의 유효 개수를 표현 크기에 유지한다. MAA는 추가적인 지도, 파라미터, 은닉 차원, 또는 명시적 개수 특징을 추가하지 않으며, p=1에서 표준 어텐션을 복원한다. 4개의 연속 시간 동적 그래프 모델과 3개의 데이터셋에 걸쳐, MAA는 12개의 모델-데이터셋 셀 중 11개에서 future-link AUC를 개선한다. 동일한 은닉 표현에서의 선형 복원은 평균 4.49% 증가하며, family-wise correction 후 preferential-attachment 복원은 12개 셀 모두에서 개선된다. 또한 marked temporal point process(MTPP), temporal knowledge graph(TKG), 검색-증강 생성(RAG), 시공간 point process(STPP)에서도 일관된 증거를 관찰한다. 정보 접근성과 태스크 유용성은 여전히 구별된다. MTPP에서 NLL은 개선되지만, TKG에서는 랭킹이 대체로 유지되고, RAG의 추가 정보는 진단 헤드를 개선하지 않으며, STPP에서는 하류 LayerNorm이 신호를 지울 수 있다. 이 결과들은 MAA를 표준 어텐션에서 반복 불변성(repetition invariance)을 제어함으로써 예측기 대면 표현의 정보성을 개선하는 일반적인 정규화 원리로 자리매김한다.

arXiv:2607.24213v1cs.AI

제약 인식 그래프 어텐션을 통한 사실적·규범적 산업 지식 통합 기반 공정 계획 추천

Integrating Factual and Normative Industrial Knowledge via Constraint-Aware Graph Attention for Process Plan Recommendation

사실적 관계와 의사결정 제약을 포함한 이종 산업 지식의 통합은 여전히 산업 정보 시스템의 핵심 과제이다. 가공 공정 계획은 재료 특성, 특징 특성, 품질 요구사항을 종합하여 공정을 선택해야 하므로 이 문제를 잘 보여준다. 기존 방법은 주로 유사도 검색이나 분류에 의존하며, 통합된 순위 목표나 표준화된 평가는 없다. 우리는 가공 공정 계획 추천을 지식 그래프 강화 협업 필터링 문제로 공식화하는 PCA-GAT를 제안한다. Bayesian Personalized Ranking이 학습 목표를 제공하고, Recall@K와 NDCG@K가 평가를 정의한다. 지식 그래프는 협업 신호가 희소할 때 의미론적 구조를 제공한다. 네 가지 도메인 제약—재료 호환성, 정밀도 요구사항, 특징 적용 가능성, 공정 순서—을 그래프 전파 과정에서 어텐션 편향으로 도입한다. 유형별 가중치가 각 제약의 중요도를 학습하고, 적응형 게이트가 지역적 맥락을 사용해 그 영향을 조절한다. 115개 부품과 507개 계획을 포함한 실제 항공우주 데이터셋에서 PCA-GAT는 Recall@1 = 0.9087을 달성하고 강한 콜드스타트 견고성을 보이며, 심각한 희소성 하에서 가장 강한 기준선 대비 약 절반 수준의 성능 저하만을 보인다. 소거 연구는 지식 그래프 보강이 필수적이고, 제약이 가치를 더하며, 게이트 없는 제약 주입은 성능을 해칠 수 있음을 보여준다. 학습된 가중치는 재료-공정 호환성이 지배적 요인임을 식별하며, 이는 도메인 전문 지식과 일치한다. 세 개의 공개 벤치마크에서의 결과는 제약이 없을 때 성능 저하가 없음을 보여주며, 제조 분야를 넘어선 일반화를 뒷받침한다. 본 연구는 공학 공정 계획을 위한 표준화된 추천 프로토콜을 수립하고 세 범주에 걸친 일곱 가지 방법을 벤치마킹하여, 지식 표현이 주요 병목임을 보여준다.

arXiv:2607.22655v1cs.AI

EventOD: LLM 기반 의미론적 변조를 통한 이벤트 인식 OD 흐름 생성

EventOD: Event-Aware OD Flow Generation via LLM-Guided Semantic Modulation

파괴적 이벤트(disruptive events) 상황에서 출발지-목적지(OD) 흐름을 추정하는 것은 재난 대응과 도시 회복력(urban resilience)에 중요하다. 일상적인 이동성(routine mobility)으로 학습된 기존 딥 OD 모델은 극단적 이벤트가 지역 기능과 인구 활동을 급격히 바꿀 때 성능이 저하되는 경우가 많으며, 이벤트마다 새로운 생성기를 재학습하는 것은 이벤트 시점 감독(event-time supervision)이 제한된 상황에서는 비현실적이다. 우리는 구조화된 이벤트 의미론(structured event semantics)을 사용하여 사전학습된 OD 생성기를 조향하는 이벤트 적응형 OD 생성 프레임워크인 EventOD를 제안한다. EventOD는 먼저 대규모 언어 모델(LLM)을 사용하여 거친 이벤트 관측(coarse event observations)으로부터 지역 수준의 기능적·인구통계적 제어 벡터(functional and demographic control vectors)를 추론한다. 그다음 AlphaNet과 BetaNet이라는 두 개의 경량 적응 모듈을 학습하여 이러한 의미론적 변화(semantic shifts)의 크기를 보정하고, 감독이 희박한(sparse supervision) 시나리오를 위해 검색-증강(RAG) 폴백 경로를 추가로 도입한다. 그 결과 얻어진 이벤트 조건화(event-conditioned) 특징은 입력 수준 변조(input-level modulation)를 통해 사전학습된 그래프 확산(graph diffusion) OD 모델에 주입되어, 생성기 파라미터를 갱신하지 않고도 이벤트 인식 적응을 가능하게 한다. 미국 카운티 전역의 허리케인 및 팬데믹으로 인한 이동성에 대한 실험에서 EventOD는 강력한 베이스라인 대비 재구성 정확도(reconstruction accuracy)와 분포적 충실도(distributional fidelity) 모두를 지속적으로 개선함을 보여준다. 소스 코드는 https://anonymous.4open.science/r/EventOD-5C11/ 에서 제공된다.

arXiv:2607.22381v1cs.LG

엔트로피 곡률을 통한 그래프 신경망의 국소-전역 기하학적 통찰

Local-Global Geometric Insights for Graph Neural Networks via Entropic Curvature

그래프에서의 곡률 개념, 특히 Ollivier-Ricci 곡률과 Forman 곡률은 oversmoothing과 oversquashing 같은 그래프 신경망(GNN)의 근본적 문제를 해결하는 강력한 도구로 부상했지만, 거의 전적으로 국소적 엣지 수준의 비교에 의존하기 때문에 정보가 실제로 장거리에 걸쳐 어떻게 전파되는지를 보증하지 못한다. 우리는 Wasserstein 측지선을 따라 엔트로피의 변위 볼록성(displacement convexity)을 통해 Lott-Sturm-Villani 프레임워크를 그래프로 확장하여 얻은 전역적·운송 기반 곡률인 Entropic Curvature(엔트로피 곡률)를 도입한다. 전역 엔트로피 곡률의 하한을 제공하는 계산 가능한 Weak Entropic Curvature(약 엔트로피 곡률) 프록시를 정의하고, 이로부터 (i) oversmoothing을 제어하는 Poincaré형 부등식, (ii) 운송-엔트로피 일반화 bound, (iii) 대규모 그래프에서 희소성, 강한 스펙트럴 확장, 양의 엔트로피 곡률이 공존할 수 없음을 보여 주는 확장 역설을 도출하며, oversmoothing과 oversquashing을 단일 곡률 스펙트럼의 양 극단으로 통합한다. 이 이론을 E-Gate 집계기, ENT 구조 인코딩, Midpoint-Completion Rewiring(MCR)의 세 가지 실용적 메커니즘으로 구현하고, SDRF, FoSR, BORF, LCP, Graph Ricci Flow와 비교하여 6개 노드 분류 벤치마크와 그래프 분류에서 벤치마크한다.

arXiv:2607.22356v1cs.LG

심층 강화학습을 활용한 라스트마일 픽업 통합 주문 배차 및 경로 최적화

Integrated Order Dispatching and Routing for Last-Mile Pickup via Deep Reinforcement Learning

최근 몇 년간 라스트마일 픽업 운영의 복잡성이 증가하면서 물류 플랫폼에서 빠르고 정확한 의사결정에 대한 필요성이 커졌다. 이 과제는 근본적으로 두 가지 핵심적이고 긴밀히 결합된 의사결정 과정, 즉 주문 배차와 경로 최적화에 의해 촉발된다. 이들을 개별적으로 해결하면 상호 의존성을 간과하게 되며, 완전한 end-to-end 학습은 희소 보상(sparse reward)으로 인해 대규모이고 가변적인 규모의 인스턴스에서 불안정하고 비용이 많이 든다. 이 문제를 해결하기 위해, 학습된 경로 오라클(routing oracle)과 실시간 배차 휴리스틱을 결합하는 통합 최적화 프레임워크를 제안한다. 경로 최적화 하위 문제에 대해서는 Look-Ahead Courier-Personalized 디코더를 갖춘 Dynamic-Residual Graph Attention Network 인코더를 개발한다. 배차 하위 문제에 대해서는 경로 오라클이 지도하는 국소 탐색(local search) 기반 배차 휴리스틱을 개발하며, 오라클은 실시간 확장성을 유지하면서 후보 배송 기사를 선택하기 위한 근최적 해를 제공한다. Cainiao Logistics의 실제 데이터셋을 활용한 광범위한 실험을 통해 오프라인 평가와 온라인 롤링 호라이즌(rolling-horizon) 시뮬레이션을 포함하여 접근법의 성능을 검증했다. 실험 결과, 제안 방법은 해 품질과 해결 시간 측면에서 다른 벤치마크를 능가하며, 실시간 대규모 라스트마일 픽업 문제 해결에 물류 기업을 효과적으로 지원할 수 있음을 보여준다.

arXiv:2607.22287v1cs.LG

그래프 조(coarsening)와 레이블 전파를 통한 효율적 추천

Efficient Recommendations via Graph Coarsening and Label Propagation

그래프 기반 추천은 실제 산업 응용에서 널리 채택되고 있다. 그러나 이러한 시스템의 그래프는 종종 대규모에 이르며, 상당한 확장성 및 효율성 문제를 야기한다. 이는 예측 품질과 계산 비용을 효과적으로 균형 있게 맞출 수 있는 기법을 요구한다. 유망한 접근법 중 하나는 그래프 조(coarsening)로, 적응형 그래프 축소 기법으로 원래의 대규모 그래프보다 작으면서도 구조적으로 대표적인 버전을 체계적으로 구성하는 방법을 제공한다. 본 연구에서는 통신(telecommunications) 분야에서 그래프 조(coarsening)와 다단계 레이블 전파(label propagation)를 결합한 유연한 2단계 확산(diffusion) 프레임워크를 제안한다. 도메인 특화 휴리스틱을 적용하여 먼저 노드를 의미 있는 커뮤니티(community)로 집계하고, 그래프 크기를 줄이면서 비즈니스와 관련된 핵심 관계를 보존한다. 레이블 전파 알고리즘(LPA) 또는 그래프 신경망(GNN)에 의한 초기 확산 과정이 조(coarsened) 그래프 전체에 레이블을 전파하여 거친 수준(coarse-grained)의 예측을 생성한다. 마지막으로, 서브그래프(subgraph) 내에서 수행되는 두 번째 LPA가 개별 사용자에 대한 최종 추천을 생성한다. 실제 통신 데이터셋(dataset)에서 두 단계 모두 LPA를 사용할 때, 본 방법은 전체 그래프 LPA 기준선(baseline) 대비 NDCG@5에서 최대 +24%를 달성한다. 1단계에 경량 GNN을 통합하면 NDCG@5가 50% 이상 더 향상되지만, 상당한 학습(training) 및 추론(inference) 시간이 필요하다. 광범위한 실험과 상세한 ablation을 통해 이러한 트레이드오프를 정량화하고, 조(coarsening) 기반 접근법이 확장성, 지연 시간(latency), 추천 품질 사이의 최적 균형을 제공함을 보여준다.

arXiv:2607.21949v1cs.LG

MA-DAR: 지속적 시간적 지식 그래프 추론을 위한 다양체 정렬 동적 적응형 라우팅

MA-DAR: Manifold-Aligned Dynamic Adaptive Routing for Continual Temporal Knowledge Graph Reasoning

지속적 시간적 지식 그래프(TKG) 추론은 새로 등장하는 사실을 지속적으로 통합하면서 이전에 습득한 지식을 보존하는 것을 목표로 한다. 재생(replay) 기반 지속 학습(continual learning)은 과거 표현을 재방문함으로써 유망한 성능을 달성해 왔다. 그러나 기존 방법들은 주로 무엇을 재생할지에 초점을 맞추며, 재생된 표현을 현재 표현과 어떻게 통합해야 하는지는 대체로 간과한다. 이러한 직접 통합은 종종 두 가지 중요한 형태의 표현 충돌, 즉 노름 지배(norm domination)와 의미적 흐림(semantic blurring)을 야기하여 결국 지속적 추론 성능을 저하시킨다. 이러한 과제를 해결하기 위해, 우리는 재생 표현 융합을 위한 경량 플러그 앤 플레이(plug-and-play) 프레임워크인 MA-DAR(Manifold-Aligned Dynamic Adaptive Routing)를 제안한다. MA-DAR는 먼저 재생된 표현과 현재 표현을 공유 다양체(shared manifold) 위에 정렬하여 분포 불일치를 완화한다. 그다음 동적 게이팅(gating) 메커니즘을 사용해 차원별 융합 가중치를 학습하고, 융합된 표현에 대한 재생 표현과 현재 표현의 기여도를 적응적으로 결정한다. 또한, 극화(polarization) 정규화(regularizer)는 모호한 게이팅 결정을 억제함으로써 보다 단호한 라우팅 동작을 유도하여, 더 안정적이고 효과적인 지식 통합을 이룬다. 4개의 공개 지속적 TKG 벤치마크에 대한 광범위한 실험 결과, MA-DAR는 다양한 재생 설정에서도 효과를 유지하면서 대표적인 TKG 인코더의 성능을 일관되게 향상시킴을 보여준다. 포괄적인 ablation 연구와 시각화 분석은 표현 충돌을 완화하고 지속적 추론을 개선하는 데 있어 다양체 정렬과 동적 적응형 라우팅의 효과를 추가로 검증한다.

arXiv:2607.21941v1cs.LG

LatentFlow: 분자 그래프 신경망의 잠재 공간 분석을 위한 시각 분석

LatentFlow: Visual Analytics for Latent Space Analysis in Molecular Graph Neural Networks

화학자와 재료 과학자들은 분자의 성질과 반응 결과를 예측하기 위해 그래프 신경망(GNN)과 같은 머신러닝 모델을 점점 더 많이 사용하고 있다. 예측 성능을 넘어, 이러한 모델이 잠재 공간, 즉 분자의 임베딩(embedding) 내부에서 화학 정보를 어떻게 조직하는지 이해하는 것이 중요하다. 잠재 공간 분석은 모델 동작을 진단하고, 학습된 임베딩이 의미 있는 화학적 관계를 반영하는 방식으로 조직되어 있는지 평가하는 데 도움이 된다. 불행히도, 기존 방법들은 층과 다양한 모델 상태(예: 학습 에포크, 모델 구성, 입력 데이터)에 걸친 잠재 공간 분석을 제한적으로만 지원하여, 이러한 잠재 공간이 모델 전반에 걸쳐 어떻게 진화하는지 또는 화학적 개념과 어떻게 연관되는지 이해하기 어렵다. 우리는 분자 GNN의 잠재 공간을 분석하기 위해 도메인 전문가와 협력하여 개발한 시각 분석 시스템인 LatentFlow를 제시한다. LatentFlow는 임베딩을 클러스터로 그룹화하고, 수정된 Sankey 다이어그램을 사용하여 층과 모델 상태에 걸쳐 이러한 클러스터가 어떻게 변하는지 추적함으로써 잠재 공간의 탐험을 지원한다. 해석을 지원하기 위해 LatentFlow는 이러한 클러스터를 대표 분자와 그들의 공유 부분구조에 연결하고, 과학자들이 자신의 도메인 지식을 도입하여 잠재 공간에서 발견된 패턴과 비교할 수 있게 한다. 우리는 두 가지 사례 연구를 통해 LatentFlow를 평가한다. 결과는 LatentFlow가 과학자들이 잠재 공간이 어떻게 진화하는지 이해하고, 의미 있는 분자 패턴을 식별하며, 모델 동작을 더 잘 해석하도록 돕는다는 것을 보여준다.

arXiv:2607.21922v1cs.LG

MissHyper: 결측 안내 하이퍼그래프 예측에서 임상 동기성 복원

MissHyper: Restoring Clinical Synchronicity in Missingness-Guided Hypergraph Forecasting

임상 불규칙 다변량 시계열은 생리학적 역학뿐 아니라 언제 무엇을 관측할지를 결정하는 측정 과정에 의해서도 형성된다. 그러나 이벤트 중심 모델에서는 동일 타임스탬프 구조가 너무 이른 시점에 평탄화될 수 있다. 같은 타임스탬프에 획득된 측정값이 고립된 노드로 임베딩되면, 이후 메시지 전달(message-passing) 계층에 이르기까지 지역적 환자 상태 문맥을 사용할 수 없게 된다. 우리는 이러한 전파 전(pre-propagation) 표현 병목을 연구하고, 메시지 전달이 시작되기 전에 동일 타임스탬프 문맥을 복원함으로써 이를 해결한다. 전파 전 동기성 복원을 갖춘 결측 안내 하이퍼그래프 예측 모델인 MissHyper를 제안한다. MissHyper는 각 이벤트에 지역적 지원 밀도(support-density) 단서를 보강하고, 동일 타임스탬프 기록을 집계하여 환자 상태 문맥을 복구하며, 결측 안내 게이트를 사용해 노드별 증거와 복구된 문맥을 적응적으로 융합한다. PhysioNet 2012, MIMIC-III, MIMIC-IV에서 MissHyper는 다단계 예측에서 일관된 성능 향상을 달성하고 강력한 하이퍼그래프 기준선을 능가한다. 이 결과는 이벤트 초기화를 개선하는 것이 하류 전파 아키텍처를 재설계하지 않고도 희소 임상 예측에 도움이 될 수 있음을 시사한다. 어블레이션(ablation)은 스냅샷 복원, 적응적 융합, 지원 밀도 인코딩이 모두 기여함을 보여주며, 희소 임상 예측에서 이벤트 초기화가 핵심 설계 축임을 가리킨다.