그래프 신경망(GNN)의 조정(coarsening) 기반 학습, 즉 원본 대규모 그래프 대신 조정된 그래프에서 학습하는 방식은 대규모 그래프로 GNN을 확장하는 유망한 방향이 되었다. 그러나 선행 연구는 거의 전적으로 동질성(homophilic) 그래프에서만 평가되어, 더 도전적인 이질성(heterophilic) 설정은 충분히 탐구되지 않았다. 우리는 경험적·이론적으로 기존 조정 기반 학습 방법이 조정 과정에서 불가피한 그래프 정보 손실로 인해 이질성 그래프에서 상당한 성능 저하를 겪는다는 것을 보인다. 이를 해결하기 위해, 조정 과정에서 버려진 정보를 재통합하는 플러그 앤 플레이, 모델 무관 전략인 적응형 상보적 강화(Adaptive Complementary Enhancement, ACE)를 제안한다. ACE는 원본 노드 특징을 재구성하는 투영기(projector)를 학습하고, 국소 이질성을 임베딩하기 위해 이방성 구조 정규화(anisotropic structural regularization)를 적용한다. 또한 동분산 불확실성 가중(homoscedastic uncertainty weighting)을 채택하여, 이질성 인식 투영기가 재구성한 증강 노드 특징을 사용한 전체 그래프 보조 손실과 주 조정 그래프 학습 손실로 구성된 결합 학습 목표를 적응적으로 균형 조정한다. 광범위한 실험에서 ACE는 최소한의 계산 오버헤드로 동질성 그래프에서 경쟁력 있는 결과를 유지하면서 이질성 벤치마크에서 일관된 성능 향상을 달성함을 보여준다. 코드는 GitHub 저장소 https://github.com/vasile-paskardlgm/ACE 에서 제공된다.
우리는 공유 그래프 신경망(GNN)이 개별 교통 이동(movement)에 점수를 할당하는 교통 신호 제어 인터페이스를 제안한다. 각 교차로는 결정론적 incidence matrix를 사용하여 이러한 점수를 자체적인 가변 크기의 합법적 신호 위상(phase) 집합으로 변환한다. 방향성 회랑(corridor) 노드는 교통 맥락을 제공하고, 이동 노드는 교차로를 통과하는 제어되는 입출력 경로를 나타낸다. 타입별 평균 집계(typed mean aggregation)는 이동당 하나의 스칼라를 생성하며, 위상 정의와 신호 타이밍은 학습된 신경망 외부에 남아 있다. 이로 인해 그래프 크기와 교차로별 행동 수는 학습된 매개변수 형태와 독립적이다. PPO 실험은 보지 못한 합성 격자 지형, 변경된 신호 커버리지, 다섯 개의 이질적 도시 그래프에서 이 인터페이스를 평가한다. 정책(policy)은 합성 격자 계열 내 보지 못한 지형에서 성능을 유지했지만, 신호 커버리지 변경은 신호 커버리지 분포 이동(distribution shift)에 대한 민감성을 드러냈다. 단일 학습된 도시 정책 인스턴스가 다섯 도시 그래프 모두에서 실행되어 이질적인 결과를 보였다. 이러한 결과는 임의의 도로 네트워크로의 전이(transfer)에 대한 일반적 추정이라기보다 실현 가능성 증거를 제공한다.
본 연구에서는 Cayley 그래프 표현으로부터 유한군의 대수적 성질을 학습하기 위한 일반적인 그래프 신경망(GNN) 프레임워크를 제안한다. 이 프레임워크는 공통 그래프 구성 절차, 특징 표현, 학습 방법론, GNN 아키텍처로 구성된 통합 계산 파이프라인을 제공하며, 분류 과제 간에는 목표 레이블링 함수만 달라진다. 제안된 접근법의 일반성을 입증하기 위해, 아벨성(abelianity), 멱零성(nilpotency), 가해성(solvability)의 세 가지 대표적인 대수적 성질을 고려한다. 여러 고전적 군족에서 추출한 176개 유한군으로 구성된 벤치마크에 대해 실험을 수행했으며, 각 분류 과제에 모든 군이 포함되었다. 클래스 불균형을 해결하기 위해, 학습 중 적절한 경우 클래스 가중 교차 엔트로피 손실을 사용했다. 또한 PSL(2,q) 군족은 테스트 전용으로 예약하여, 프레임워크가 이전에 보지 못한 군족으로 일반화하는 능력을 평가할 수 있게 했다. 최고 성능 모델은 아벨성, 멱零성, 가해성에 대해 각각 테스트 균형 정확도 1.000, 0.856, 0.875를 달성했다. 모든 과제에 동일한 계산 프레임워크를 사용했음에도, 서로 다른 대수적 성질에 대해 최적인 GNN 아키텍처가 달랐으며, 이는 어떤 성질을 학습하는 데 필요한 표현 복잡도가 그 성질의 기저 대수 구조에 따라 달라짐을 시사한다. 이 결과는 GNN이 Cayley 그래프 표현으로부터 여러 대수적 성질을 직접 효과적으로 학습할 수 있으며, 보지 못한 군족에 대해서도 강한 일반화를 보임을 보여준다. 더 넓게 보면, 제안된 프레임워크는 그래프 기반 머신러닝을 이용해 유한군의 대수적 성질을 연구하기 위한 계산 방법론을 확립한다.
LayerNorm 기반 GNN은 노드 선택 정책이 의존해야 할 위상(topology) 신호(차수(degree), 중심성(centrality), $k$-core)를 일관되게 지워버리지만, 문헌은 residual block 내 어디에서 그 지워짐이 발생하는지 밝히지 못했다. 우리는 그 질문에 답한다: LayerNorm 이전에 삽입된 양의 노드별 스칼라는 stabilizer 항까지 나눠져 사라지지만, LayerNorm 이후에 삽입된 동일한 스칼라는 표현 크기(representation magnitude)로 score head에 전달된다. 살아남는 슬롯은 post-LayerNorm 위치다. 우리는 이를 PostDeg로 구현한다. PostDeg는 매개변수가 없는 post-LayerNorm 역차수(inverse-degree) 스케일이며, 해당 규칙을 기각할 네 가지 반증 조건(graphwise scalars, 추가 LayerNorm, 동일 슬롯의 표현력 capacity, backbone-agnostic source)을 사전 등록한다. PostDeg는 영향력 극대화(influence maximization), 네트워크 해체(network dismantling), 최대 독립 집합(maximum independent set)에서 LN backbone 대비 각각 $+3.5\%/+2.5\%/+5.6\%$의 향상을 얻으며, 과제당 $10/10$ paired-seed 승리를 기록한다. 네 가지 반증 조건 중 어느 것도 발동하지 않는다. 핵심은 이득을 가져오는 것은 매개변수화가 아니라 배치라는 점이며, 이는 정규화된 residual stack에서 임의의 양의 위상 스칼라로 일반화되는 작은 불변성(invariance) 검증이다.
다중 사용자 무선 네트워크에서의 자원 할당 문제를 다루며, 목표는 사용자들의 에르고딕 평균 성능에 대한 제약 조건 하에서 네트워크 전체 효용 함수를 최적화하는 것이다. 자원 할당 정책에 대한 상태 증강 그래프 신경망(GNN) 매개화가 네트워크 구성(또는 상태)을 그래프로 표현하고, 이중 변수를 그래프 위에 정의된 그래프 신호로 취급하여 모델의 동적 입력으로 보는 방식으로, 널리 쓰이는 이중 부그래디언트 방법의 단점을 어떻게 우회하는지 보여준다. 라그랑지안을 최대화하는 상태 증강 정책은 오프라인 학습 단계에서 학습되며, 추론 단계에서는 학습된 상태 증강 정책을 실행하면서 이중 변수가 그래디언트 업데이트를 통해 진화한다. 주요 기여는 이중 변수 회귀를 통해 보조 GNN 매개화를 활용하여 더 빠른 추론을 위한 이중 승수의 근최적 초기화를 어떻게 달성할 수 있는지, 그리고 이중 하강 역학에서 샘플링된 승수에 대해 라그랑지안을 최대화하는 것이 상태 증강 모델의 학습을 어떻게 크게 향상시키는지를 보여주는 것이다. 송신 전력 제어에 대한 사례 연구에서 광범위한 수치 실험을 통해 제안 알고리즘의 우수한 성능을 입증한다. 마지막으로, 이중 함수(반복) 최적성 간격의 이탈에 대한 수렴 결과와 지수적 확률 경계를 증명한다.
Graph-Theoretic Neural Network Fragmentation with Covariant Direct Molecular Force Learning: Enabling Coupled-Cluster Accuracy AIMD for Fluxional Systems
복잡하고 플럭셔널(fluxional)한 화학 계에 대한 정확한 ab initio 분자 동역학(AIMD) 시뮬레이션은 상관 전자 구조 방법의 높은 계산 스케일링으로 인해 심각하게 제한된다. 이 병목을 극복하기 위해, 우리는 기계학습과 통합된 견고한 그래프 이론적 분자 분할 프레임워크를 제시하며, 이를 통해 결합 클러스터(coupled cluster) 정확도로 Hartree-Fock 이후 핵력을 직접 모델링한다. 학습된 에너지 표면에 대한 자동 미분이 link-atom Jacobian에서 어려움을 겪을 수 있는 한계를 우회하여, 본 접근법은 핵력 벡터를 직접 예측한다. 이 벡터들을 단편(fragment) 고정 관성 주축에 투영함으로써, 회전·병진·치환 불변성을 자연스럽게 보존하는 공변(covariant) 기술자(descriptor)를 확립한다. 이 방법론은 학습 가능 매개변수를 한 자릿수 이상 줄이는 벡터값 학습 프로토콜을 통해 탁월한 매개변수 효율을 달성하며, 비지도 미니배치 k-means 공간 테셀레이션 알고리즘이 참조 구성(configuration)의 10%에서 20%만을 사용하여 매우 대표적인 학습 데이터베이스를 구성한다. 우리는 고도로 플럭셔널한 용매화 Zundel 양이온 H_{13}O_6^+에 대해 이 프레임워크를 엄격하게 검증했다. 완전히 기계학습으로 예측된 AIMD 궤적은 방사형 분포 함수(radial distribution function)와 속도 자기상관(velocity autocorrelation) 파워 스펙트럼을 포함한 복잡한 동역학적 특징과 핵심 구조적 특성을 성공적으로 재현했다. 궁극적으로, 이 확장 가능하고 체계적으로 개선 가능한 프레임워크는 고수준 상관 파동함수 이론과 장시간 스케일 반응성 샘플링 사이의 격차를 메우며, 현대 화학 동역학 시뮬레이션에서 LLM에서 영감을 받은 고급 전이학습(transfer learning)의 기반을 마련한다.
그래프 신경망(GNN)은 지역적 메시지 전달(message passing)을 통해 정보를 전파하지만, 그래프 위상(topology) 자체가 학습을 아무리 많이 해도 장거리(long-range) 과제를 해결하지 못하게 조용히 막을 수 있다. GNN을 새로운 그래프에 배포할 때, 현재는 학습이 시작되기 전에 그래프 구조가 먼 노드들 사이에서 정보가 충분히 멀리 전달될 수 있게 허용하는지를 알아낼 저비용 방법이 없다. 우리는 스펙트럴 플로우 인증(Spectral Flow Certificates, SFC)을 제안하여 이 공백을 해소한다. SFC는 그래프의 정규화(normalised) 라플라시안(Laplacian)으로부터 수 초 만에 계산되는 단일 스칼라 값으로, 모델 학습이나 라벨 데이터가 필요하지 않다. SFC는 그래프의 대수적 연결성(algebraic connectivity)과 선택된 메시지 전달 깊이(depth)를 하나의 숫자로 융합하여, 가용한 깊이 예산(depth budget) 내에서 중요한 스펙트럴 병목(spectral bottleneck)의 어느 정도를 통과할 수 있는지를 측정한다. 원시 스펙트럴 갭(spectral gap)과 달리 SFC는 정적이고 깊이와 무관(depth-agnostic)한 반면, SFC는 레이어 수가 증가함에 따라 적응하므로 깊이가 달라질 때 엄격히 더 많은 진단 정보를 담는다. 평균 유효 저항(average effective resistance)과 그래프 직경(graph diameter) 같은 고전적 구조 통계와 비교했을 때, SFC는 학습된 GNN의 장거리 정확도(long-range accuracy) 분산(variance)의 두 배 이상을 설명한다. 경로(path), 순환(cycle), 격자(grid), 정규 그래프(regular graph), 무작위 그래프(random graph)를 아우르는 25개의 합성 그래프 계열에 걸쳐, SFC는 어떤 기울기(gradient)도 계산하기 전에 학습된 정확도를 예측하며, 테스트된 모든 깊이에서 90% 이상의 설명력(explanatory power)을 달성한다. 동일한 예측 관계는 세 개의 독립적인 벤치마크(benchmark) 데이터셋(dataset)에서 추출한 150개의 실제 분자 그래프 위상에서도 성립하며, 이는 해당 결과가 합성 구조의 인공물(artefact)이 아님을 확인해 준다. 종합하면, 이러한 결과는 단일 고유값(eigenvalue) 계산만으로도 값비싼 학습 파이프라인에 투입하기 전에 위상(topology)에 의해 제한된 그래프를 표시하기에 충분하며, GNN 배포를 위한 원칙적인 1차 필터를 제공함을 보여준다.
소비재 생산 공정에서 조립 지침은 계획뿐 아니라 생산 공정 실행에도 필수적이다. 로봇공학에서도 마찬가지로, 조립 로봇이 부품들이 어떻게 맞물리고 조립될 수 있는지 이해하는 것이 중요하다. 이러한 작업을 지원하기 위해, 우리는 부품 간 조립 관계를 표현하고 특성화하기 위한 장면 그래프(scene graph) 구성 방법을 제안한다. 우리 접근법은 의미(semantic) 데이터에 의존하지 않으며 매우 작은 데이터셋을 처리할 수 있다. 이를 실현하기 위해 Faster R-CNN 모델의 출력을 사용하여 기하학적 표현을 생성하고, 이를 트랜스포머 아키텍처로 처리하여 인접 행렬(adjacency matrix)을 생성한다. 이 행렬은 어텐션 그래프 합성곱 네트워크(attentional graph convolutional network, aGCN) 아키텍처 기반 메시지 패싱(message passing)을 사용하는 쌍대(Siamese) 네트워크의 입력으로 사용되어 부품 간 연결을 특성화한다. 우리는 운송 수단으로 조립할 수 있는 장난감 모델 부품으로 구성된 연구용 데이터셋에서 방법을 검증한다.
자율주행 시스템에서 레이더-카메라 인식을 위해 정확하면서도 낮은 지연의 깊이 추정이 필수적이다. 카메라는 풍부한 외관 정보를 제공하지만 메트릭 스케일이 부족한 반면, 자동차용 레이더는 메트릭 거리 정보를 제공하지만 희소하고 노이즈가 많다. 많은 파이프라인은 다단계 구조이거나 보조 어노테이션에 의존하여 지연을 증가시키고 이식성을 제한한다. 본 연구에서는 레이더, 카메라, 단일 스캔 LiDAR만으로 학습되는 단일 단계 레이더-카메라 깊이 추정기 JustDepth를 제안한다. 모든 레이더 반사값은 고정 너비 1D 표현으로 집계되어 런타임이 포인트 수와 분리된다. Height Fusion Block이 모달리티를 융합하고, 경량 GNN이 깊이를 전역적으로 전파하며, 학습 전용 신뢰도 디코더가 테스트 시 추가 비용 없이 학습을 안정화한다. 간단한 증강을 통해 줄무늬 아티팩트를 완화하고, 수직-수평 그래디언트 비율(Vertical-Horizontal Gradient Ratio, VHGR)로 이를 정량화한다. nuScenes에서 최근 최신 방법들과 비교했을 때 JustDepth는 정확도를 유지하면서 추론 시간을 39.7배 단축하고 VHGR 기준 줄무늬 아티팩트를 66% 감소시킨다.
구조로부터 분자 특성을 예측할 때, 용액 속에서 많은 분자가 conformational ensemble(구조 앙상블)로 존재함에도 불구하고 종종 단일 대표 conformation(구조)을 사용한다. 본 연구는 EnsembleEGNN을 제안한다. 이는 분자 앙상블 기초 모델로, 먼저 공유된 Equivariant Graph Neural Network(EGNN) 레이어로 각 컨포머(conformer)를 인코딩한 다음, Set Attention Block으로 결과 컨포머 표현을 풀링하여 앙상블을 인코딩한다. CREMP(순환 펩타이드 앙상블 데이터셋)에서 마스크된 토큰 복원, 노이즈 좌표 재구성, 쌍별 거리 재구성을 결합한 다중 과제 자기지도 목적 함수를 사용하여 모델을 사전학습한다. CREMP-CycPeptMPDB 데이터셋에서 EnsembleEGNN을 처음부터 학습하면 완전히 실패한다($R^2=0.005$). 그러나 사전학습된 모델은 $R^2=0.477$ 및 Pearson $r=0.699$에 도달하여, 서열 전용 BERT 기준선($R^2=0.439$, Pearson $r=0.667$)을 능가한다. EnsembleEGNN이 BERT 서열 인코더와 end-to-end로 공동 학습되면, 하이브리드 모델은 $R^2=0.538$ 및 Pearson $r=0.737$로 더욱 향상된다. 이 결과는 conformational ensemble을 단일 열역학적으로 정보화된 임베딩으로 인코딩하면 순환 펩타이드 특성 예측이 향상됨을 보여준다.
온열 관련 사망 위험을 추정하는 것은 환경 역학의 핵심 과제이며, 일반적으로 분산 지연 비선형 모델(DLNM, Distributed Lag Non-linear Models)로 다룬다. DLNM은 온도-사망 시계열에 적합한 해석 가능한 노출-반응 표면(exposure-response surfaces)이다. DLNM은 효과적이지만, 온열 취약성과의 관련성이 잘 확립되어 있음에도 불구하고 인구통계학적·지리적 맥락을 무시한다. 우리는 Risk Graph Neural Networks(RGNN)를 제안한다. 이는 세분화된 인구조사(census) 특성을 사용하여 DLNM 계수 벡터를 최적화하는 계층적 GNN(그래프 신경망) 인코더로, 해석 가능한 위험 곡선 출력을 유지하면서 예측 보정(calibration)을 상당히 개선한다. 잉글랜드와 웨일스 10개 지역, 전례 없는 두 온열 연도에 걸쳐 평가한 결과, RGNN 변형은 기준선(baseline)이 붕괴하는 2022년 폭염 기간 동안 더 낮은 점 추정 오차와 거의 명목상(nominal)의 불확실성 커버리지를 모두 유지했다.
그래프 신경망(GNN)에 대한 특징 수준 및 노드 수준 설명을 Aumann-Shapley 어트리뷰션 관점에서 연구한다. Integrated Gradients와 같은 경로 적분(path-integral) 방법은 어트리뷰션에 대한 공리적 공식화를 제공하지만, 심층 GNN에서의 실용적 사용은 일반적으로 경로 적분에 대한 유한 표본 수치 근사에 의존하며, 구적(quadrature) 오차와 계산 비용 사이의 트레이드오프가 필요하다. 본 논문은 다항식 GNN 아키텍처 하에서 어트리뷰션 적분을 정확히 계산 가능하게 만드는 모델-어트리뷰션 공동 설계 프레임워크인 APEX를 제안한다. 핵심 구성 요소는 PolyGIN으로, 메시지 전달(message-passing), 정규화, 및 변환 연산이 사전 소프트맥스 로짓과 같은 스칼라 모델 점수에 대해 유계 다변량 다항식 형태를 보존하는 GIN 스타일 그래프 네트워크이다. PolyGIN이 $L$개의 다항식 변환 블록을 갖는 경우, 어트리뷰션 경로를 따른 도함수의 차수는 최대 $2^L-1$임을 보인다. 따라서 Gauss-Legendre 구적은 $2^{L-1}$개의 결정적 평가 지점으로 Aumann-Shapley 경로 적분을 부동소수점 정밀도까지 정확히 계산할 수 있다. 이렇게 얻은 어트리뷰션은 특징 수준에서 계산한 뒤 완전성(completeness)을 유지하면서 노드 수준 점수로 집계할 수 있다. 합성 및 실세계 그래프 벤치마크에 대한 실험은 PolyGIN이 경쟁력 있는 예측 성능을 유지함을 보여주며, 완전한 APEX 프레임워크는 비교 기준선(baseline) 대비 더 높은 어트리뷰션 충실도를 달성하고 경로 적분에 필요한 평가 횟수를 크게 줄인다.
공간 전사체학(spatial transcriptomics) 분석은 여전히 비용이 많이 들고 기술적으로 까다로워, 전사체 전체 프로파일링을 전문 환경에만 국한시키고 일상적인 임상 적용을 막고 있다. H&E 조직병리학으로부터 공간적으로 분해된 유전자 발현을 예측하면 이 격차를 메울 수 있지만, 현재 방법들은 대체로 기저 조직 구조를 무시하고 예측을 얼마나 신뢰할 수 있는지 거의 정량화하지 않는다. 우리는 HierarchicalDAEW를 제안하며, 이는 두 격차를 모두 해결하는 이중 그래프 아키텍처이다. spot 그래프에서는 도메인 인식 엣지 가중 합성곱 연산자가 Leiden 클러스터링에서 도출된 도메인 간, 도메인 내, 경계 엣지에 대해 별도의 투영을 학습하여, 모델이 조직 이질성을 암묵적 신호가 아니라 명시적 구조적 신호로 다루게 한다. 두 번째 유전자 수준 그래프는 STRING-DB의 단백질-단백질 상호작용 사전(prior)과 조직 특이적 공발현을 학습된 어텐션 게이팅으로 융합하여, 랜드마크 유전자 집합에서 더 넓은 유전자 패널로 예측을 전파한다. 신뢰성은 증거적 불확실성 추정(evidential uncertainty estimation)으로 처리되며, 동일한 조건에서 Monte Carlo 드롭아웃보다 훨씬 더 잘 보정된 신뢰구간을 산출한다. 유방, 대장, 전립선, 소뇌 조직에 걸친 6개의 human Visium 섹션과 13개의 공개 베이스라인을 대상으로 한 결과, HierarchicalDAEW는 실측 발현과 가장 강한 상관을 달성했으며, 다중 시드 재현성 검증과 위치적 지름길을 배제하는 음성 대조군에서도 이득이 유지된다. Ablation은 도메인 인식 엣지 유형화와 계층적 깊이가 모두 이 개선에 필요함을 추가로 확인했으며, 보정된 불확실성 추정은 임상 조치 전 병리의사 검토를 위해 낮은 신뢰도 예측을 식별한다.
신경 연산자(neural operator)와 물리 정보 신경망(physics-informed neural network)과 같은 과학적 머신러닝(scientific machine learning) 방법은 공학 응용과 역문제(inverse problem)를 발전시켜 왔지만, 이들의 학습은 일반적으로 대량의 시뮬레이션 데이터를 필요로 한다. 이로 인해 데이터 준비와 모델 학습 비용이 커진다. 우리는 Graph Wavelet Compressed Sensing(GWCS)을 제안한다. 이는 스펙트럴 그래프 웨이블릿 변환(spectral graph wavelet transform)을 사용해 그래프 신호를 희소하고 해석 가능한 웨이블릿 영역 표현으로 나타냄으로써 그래프 신호를 오프라인으로 압축하는 학습 기반 프레임워크이다. 이 프레임워크는 주어진 압축 비율에 대해 각 스케일에서 고에너지 웨이블릿 계수를 보존하는 비모수적 다중 수준 중요도 샘플러와, 희소 계수로부터 신호를 복원하는 스케일 인식 그래프 신경망을 결합한다. 제안 프레임워크를 무작위 그래프 위의 합성 근사 대역 제한(band-limited) 그래프 신호와, Turbulent Radiative Layer, Viscoelastic Instability, Kolmogorov Flow, Dynamic Stall을 포함하는 메시(mesh) 기반 4개의 PDE 시뮬레이션 데이터셋에서 평가한다. 그래프 신호 샘플링 방법과 그래프 오토인코더 베이스라인과 비교한 결과, 이 프레임워크가 기존 벤치마크 대비 높은 복원 충실도와 상당한 데이터 압축을 달성함을 보여준다.
이질적 이분 그래프에서 학습된 그래프 신경망(GNN)은 추천 시스템의 일반적인 기반을 형성한다. 이러한 그래프는 종종 카디널리티(cardinality)가 다른 관계를 표현하며, 예를 들어 사용자-아이템 선호는 일대다(one-to-many)이고 사용자-속성 특징은 일대일(one-to-one)이다. 전통적으로 네트워크의 모든 구성 요소에 동일한 손실 함수가 적용되며, 이는 종종 Bayesian Personalized Ranking(BPR)이다. BPR은 추천 작업에서 잘 작동하지만, 속성 임베딩이 거의 무작위 기하학에 붕괴하는 원인이 됨을 발견했다 — 이는 표준 순위 지표에 거의 영향을 주지 않아 기존 평가에서는 드러나지 않는 조용한 실패(silent failure)이다. 이는 사용자 노드 임베딩을 오염시키며, 사용자 노드 임베딩은 두 엣지 유형에 의해 동시에 형성되므로 개인화, 세분화 등 하류 작업에 해를 끼친다. 여기서 우리는 Cross Entropy(CE)와 BPR을 결합하여 모델이 서로 다른 카디널리티의 관계를 집합적으로 최적화할 수 있게 하는 Cardinality-Decomposed Loss(CDL)를 제안한다. 공유 인코더의 매개변수 공간에서 두 손실이 경쟁함을 보여 CE-BPR 충돌을 확인한다. CDL을 두 가지 구조적 구성 — 사용자 노드의 일대일 속성(MovieLens-1M, Last.fm-360K, PayPal Audience Factory, BookCrossing)과 아이템 노드의 일대일 속성(Yelp) — 을 아우르는 다섯 데이터셋에서 평가하고, CDL이 속성 임베딩의 판별력을 일관되게 향상시킴을 확인한다. 또한 속성이 의미 있는 선호 신호를 담고 있을 때 순위(NDCG)가 개선되지만, 상관관계가 약할 때는 이와 충돌함을 보인다. 람다 매개변수로 이 트레이드오프를 조절하며, 람다 스윕(lambda-sweep)을 통해 데이터셋 동작이 두 가지 그래프 속성 — 의미적 정렬(semantic alignment)과 토폴로지 누출(topology leakage) — 에 의해 지배됨을 밝힌다. 의미적 정렬은 속성이 선호를 예측하는지를, 토폴로지 누출은 그래프의 연결성이 이미 이를 인코딩하는지를 측정한다.
효과적인 분자 표현 학습은 정확한 분자 물성 예측에 필수적이다. 최근 약물 발견을 위해 포괄적인 3D 구조 정보를 포착하기 위해 3D GNN을 활용한 다수의 자기지도 학습(SSL) 접근법이 개발되었다. 그러나 기존 방법들은 명시적인 물리적 제약이 부족하며, 대규모 사전학습 과정에서 거친 경험적 힘장(empirical force field)에 의해 유발되는 기하학적 노이즈에 매우 취약하다. 또한 하류 적응(downstream adaptation) 과정에서 동적 특징 변조(feature modulation)를 간과하여, 종종 치명적 망각(catastrophic forgetting)과 부정적 전이(negative transfer)를 초래한다. 이러한 한계를 해결하기 위해, 본 연구는 SENet 보정 및 코사인 법칙 제약 강화를 통합한 새로운 명시적 분리형 기하 강화 분자 표현 학습 프레임워크인 SenCos-GEM을 제안한다. SenCos-GEM은 코사인 법칙에 기반한 물리 유도 기하학적 일관성 손실(geometric consistency loss)을 사용하여 고충실도이며 수학적으로 불변인 3D 공간 사전지식(spatial priors)을 도출한다. 또한 경량 Squeeze-and-Excitation(SE) 모듈이 태스크별 어댑터(task-specific adapter)로 백본에 통합되며, 이중 변조(dual-modulation) 예측 헤드는 Feature-wise Linear Modulation(FiLM)과 SENet 메커니즘을 결합하여 동적 특징 재보정(feature recalibration)을 가능하게 한다. SenCos-GEM은 MoleculeNet 벤치마크에서 다양한 분류 및 회귀 태스크 전반에 걸쳐 매우 경쟁력 있는 성능을 보이며, FreeSolv, Lipophilicity, QM9와 같은 3D conformation에 민감한 회귀 태스크에서 특히 새로운 최신(state-of-the-art) 결과를 달성하여, 각각 상대 오류를 12.9%(RMSE), 5.3%(RMSE), 8.2%(MAE) 감소시켰다. 또한 본 모델은 입체 이성질체(stereoisomer)를 구별하고 conformational perturbation을 판별하는 뛰어난 능력을 보여, 강건한 공간 모델링 성능을 입증한다. 종합적으로 SenCos-GEM은 정확한 분자 물성 예측 분야에서 중요한 돌파구를 제시한다.
구조 기반 약물 설계(SBDD)의 전통적인 "하나의 약물, 하나의 표적" 패러다임은 보상적 신호 전달 경로와 약물 내성의 출현으로 인해 암 및 신경퇴행성 질환과 같은 다인자 질환 치료에 자주 부적합하다. 다약리학(polypharmacology)은 시너지적 치료 전략을 제공하지만, 다중 표적이 부과하는 기하학적 제약을 동시에 만족할 수 있는 리간드의 합리적 설계는 여전히 주요한 계산 병목으로 남아 있다. 본 리뷰는 이러한 한계를 극복하기 위한 강력한 통합적 접근법으로 기하 심층 학습(geometric deep learning, GDL)을 제시한다. 우리는 비유클리드 분자 데이터를 활용하여 고유한 3차원(3D) 구조적 상호의존성을 포착하는 불변 그래프 신경망부터 SE(3)-등변 확산 모델까지 다양한 GDL 아키텍처를 체계적으로 조사한다. 기하 임베딩(embedding)을 통한 공유 결합 포켓의 특성화, 이질적 그래프 융합을 통한 다중 표적 생물활성 예측, 이중 표적 리간드의 de novo 생성을 포함하여 세 가지 핵심 차원에 걸친 GDL 적용을 비판적으로 분석한다. 특히 경쟁하는 결합 부위 간의 복잡한 기하학적 충돌을 자율적으로 해결하기 위해 확산 모델과 강화학습을 통합하는 새로운 구조 조건 생성 알고리즘에 특별한 중점을 둔다. 또한 이러한 모델을 검증하는 데 있어 다중 모달 오믹스 통합과 특화된 기하 벤치마킹(benchmarking) 인프라의 핵심적 역할을 평가한다. 방법론적 발전을 종합함으로써, 본 리뷰는 우연적 탐험에서 합리적이고 구조 주도적인 다약리학적 분자 공학으로의 약물 발견 패러다임 전환을 설명하며, 차세대 치료제의 복잡성을 탐색하기 위한 명확하고 구조화된 가이드를 제공한다.
우리는 스칼라 쌍곡 보존 법칙을 위한 그래프 기반 신경 연산자(neural operator) HypNO를 제안한다. HypNO는 유한체적(finite-volume) 셀의 시공간 그래프 위에서 직접 동작하며, 인접성 분해(adjacency-factored) 기반의 물리 정보 메시지 패싱을 통해 충격(shock) 근처에서 상류(upwinding)와 엔트로피 허용성(entropy admissibility)을 준수한다. 우리는 이 아키텍처를 Lighthill-Whitham-Richards(LWR) 및 Aw-Rascle-Zhang(ARZ) 교통 흐름 모델에 대해 벤치마크한다. 이 모델들은 동시에 전역 수송(global transport)과 충격 형성이 일어나기 때문에 연산자 학습(operator learning) 방법에 대한 스트레스 테스트 역할을 한다. HypNO는 다양한 초기 조건에 걸쳐 해 스냅샷(solution snapshot)을 정확하게 예측하면서, 해의 충격과 불연속성(discontinuity)을 포착한다.
전통적인 예측형 디지털 트윈은 종종 기하학적으로 경직되어, 기반 물리 영역이나 경계 조건이 바뀔 때마다 광범위한 재학습 또는 미세조정을 필요로 한다. 이 한계를 극복하기 위해, 우리는 실시간 시각 인식과 기하학에 무관한 물리 정보 기반 추론 엔진을 원활하게 결합하는 제로샷 디지털 트윈(Zero-Shot Digital Twins)을 위한 새로운 프레임워크를 제시한다. 우리 아키텍처의 핵심은 Thermodynamics-Informed Graph Neural Network 아키텍처로, 메트리플렉틱(metriplectic) 열역학 형식론에 기반한 기하 심층 학습(Geometric Deep Learning) 솔버이며, 그래프 메시지 전달을 통해 국소적으로 에너지 보존과 비음 엔트로피 생성을 강제한다. 이 프레임워크는 보조 그래프 신경망을 통합하여 희소한 초기 시각 경계로부터 직접 관측 불가능한 필드(응력 텐서, 속도 및 에너지 분포 등)를 추론함으로써 수치적 시작 과도 현상을 완화한다. 시뮬-실제(sim-to-real) 격차를 메우기 위해, 우리는 연속적인 폐루프 데이터 동화 메커니즘을 구현한다. 파이프라인은 심층 분할 신경망과 희소 광학 흐름을 결합하여 거시적 변형과 자유 표면 유체 경계를 실시간으로 추적하고, 자기회귀 시뮬레이션 롤아웃을 동적으로 보정하여 수치적 드리프트를 제거한다. 우리 접근법의 타당성을 검증하기 위해, 우리는 두 가지 이질적인 물리 체제에서 접근법의 극단적인 일반화 능력을 입증한다: 점탄성 보의 대변형과 점성 유체의 비선형 슬로싱(sloshing). 두 시나리오 모두에서, 통합 프레임워크는 사례별 재학습 없이 새로운, 보지 못한 기하학에서 물리적으로 정확한 시뮬레이션을 생성하며, 실시간 지연(latency) 예산(프레임당 약 25ms) 내에서 동작하고 증강 현실(AR)을 통해 잠재 기계 변수의 직접 투영을 가능하게 한다.
대리 안전 지표(SSM, surrogate safety measures)는 사전적 교통 안전 평가를 가능하게 하지만, 기존 방법의 다수는 쌍방(pairwise) 상호작용을 독립적으로 평가하거나 다중 에이전트 장면을 고정된 특징 벡터로 평탄화하여, 이질적 상호작용 구조와 변화하는 장면 수준 위험을 표현하는 능력을 제한한다. 본 연구는 교통 충돌 평가를 시간적 이질적 장면 그래프(scene-graph) 분류로 공식화하고, SSM 기반 다중 헤드 어텐션을 갖춘 이질적 엣지-관계 그래프 신경망인 HERMES를 제안한다. 차량과 보행자는 이질적 노드로 표현되고, 차량-차량, 차량-보행자, 보행자-보행자 상호작용은 연속적인 운동학적 및 대리 안전 특징(descriptors)을 갖는 관계별 엣지로 인코딩된다. 관계별 어텐션, 동적 노드-엣지 업데이트, 안전 인식 그래프 풀링, 시간적 시퀀스 학습을 함께 사용하여 장면 수준 충돌 확률을 추정한다. HERMES는 신호가 있는 도시 교차로에서 궤적 기반으로 수집한 109,028개 시퀀스로 평가되었고, 독립적으로 수집한 유사 교차로 데이터셋에서 검증되었다. 강화된 HERMES는 AUC-ROC 0.9898 +/- 0.0013, AUC-PR 0.9412 +/- 0.0067, F1 점수 0.8449 +/- 0.0103을 달성했다. 5% 오경보율에서 충돌 시퀀스의 95.7%를 탐지하여, 가장 강력한 트랜스포머 기준선과 XGBoost를 능가했다. 제로샷(zero-shot) 외부 평가에서 HERMES는 AUC-ROC 0.9752, AUC-PR 0.7829를 달성했다. 공동 소스-타깃 학습은 제한된 타깃 현장 데이터에서도 타깃 현장 성능을 추가로 개선했다. 이러한 결과는 이질적 상호작용 위상, 안전 정보를 반영한 엣지 의미론, 단기 시간적 진화를 보존하는 것이 장면 수준 충돌 분류를 향상시키고 신호 교차로에서 전이 가능한 도로변 안전 모니터링을 지원함을 보여준다.