편미분방정식(PDE)에서 유래한 대규모 희소 선형 시스템을 푸는 것은 고성능 과학 컴퓨팅의 기본 주제이며, 전처리기(preconditioner)가 핵심적이다. 멀티그리드(multigrid) 방법은 가장 효과적인 전처리기 중 하나이지만, 성능은 격자 전달 연산자(grid transfer operator)의 정확한 구성에 의해 좌우된다. 현재의 신경 멀티그리드 방법은 그래프 신경망(GNN)으로 이러한 연산자를 학습하며, 일반적으로 이산화된 시스템 행렬에서 연결성(connectivity)을 추출한다. 효과적이긴 하지만, 이러한 그래프 기반 구성은 rank inflation(랭크 팽창) 문제가 있어 불필요하게 큰 coarse space와 더 느린 수렴을 초래한다. 이를 개선하기 위해 본 논문은 NeuraLSP를 제안한다. NeuraLSP는 그래프 집계(aggregation)를 근-nullspace 성분의 좌특이 부분공간(left singular subspace)에서 유도된 고정된 저랭크(low-rank) 스펙트럴 표현으로 대체하는 새로운 신경 멀티그리드 전처리기이다. 네트워크 설계 수준에서 NeuraLSP는 새로운 부분공간 손실(subspace loss) 함수로 학습되며, 이는 랭크 팽창을 억제하면서 멀티그리드 수렴과 가장 관련 있는 오류 모드(error mode)를 보존한다. 본 논문의 핵심 혁신은 이론적 보장과 랭크 팽창에 대한 경험적 견고성(robustness) 모두에 기반하며, 다양한 PDE 계열에서 SOTA(state-of-the-art) 신경 전처리기 대비 최대 53%의 속도 향상을 제공한다.
생성 모델은 그럴듯한 미래 시스템 궤적의 앙상블을 생성함으로써 불확실성 하에서의 의사결정을 지원할 수 있지만, 통계적 개연성(statistical plausibility)이 구조적 실행 가능성(structural feasibility)을 보장하지는 않는다. 본 연구는 동적 그래프 구조 시스템에서 생성적 궤적 모델링의 신뢰성을 사후 샘플링(post-sampling) 기호적(symbolic) 제약이 개선할 수 있는지 조사한다. 조건부 확산 모델(conditional diffusion model)이 부분 관측으로부터 미래 그래프 상태 궤적을 생성하고, 외부 기호 층(symbolic layer)이 하드 필터링(hard filtering), 소프트 가중(soft weighting), 또는 투영 기반(projection-based) 복구(repair)를 적용한다. 이 프레임워크는 구조적 유효성, 샘플 효율성, 다양성, 견고성(robustness), 교정(calibration) 지표를 사용하여 두 가지 통제된 합성 체제—컴팩트 그래프와 중간 복잡도 의존성 그래프—에서 평가된다. 컴팩트 체제에서 모델은 0.002996의 무효 확률 질량(invalid probability mass)을 생성하며, 이는 거의 완전히 허용 가능한(admissible) 궤적 매니폴드를 나타낸다. 동일한 아키텍처와 학습 프로토콜 하에서, 중간 복잡도 체제에서는 무효 질량이 0.155929로 증가한다. 하드 필터링은 생성된 샘플의 84.4%를 보존하면서 보존된 모든 무효 궤적을 제거하는 반면, 소프트 가중은 유효 표본 크기(effective sample size)를 보존하지만 제한적인 유효성 향상만을 제공한다. 계열(family) 수준 분석은 의존성 제약(dependency constraints)이 관측된 거의 모든 비허용(inadmissibility)을 설명함을 보여준다. 이 결과는 통계적 개연성과 구조적 허용 가능성이 서로 다른 신뢰성 속성임을, 그리고 그래프 구조적 복잡도가 증가할수록 기호적 제약 처리가 더 가치 있어짐을 나타낸다.
인스턴스 수준(instance-level) 설명은 특정 그래프에 대한 모델의 결정 이면에 있는 근거를 드러내는 것을 목표로 한다. 기존 방법들은 중요한 엣지를 선택하여 부분 그래프(subgraph)를 유도함으로써 그래프 신경망(GNN)을 설명하며, 엣지 중요도는 각 엣지를 교란(perturb)하고 모델 예측의 변화를 관찰하여 평가한다. 그러나 이들은 엣지 중요도를 정확히 특성화하는 데 핵심적인 엣지 간 시너지 효과를 종종 간과한다. 이 문제를 해결하기 위해, 우리는 GNN을 해석하기 위한 매개변수 없는 설명기 SeeExplainer를 제안한다. 구체적으로, 우리는 먼저 그래프를 크기가 고정되지 않은 여러 개의 서로 분리된(disjoint) 그래뉼러 볼(granular-ball)로 분해하고 이를 노드로 활용하여 구조 그래프(structural graph)를 구성하는 그래뉼러 볼 그래프 정제 메커니즘을 도입한다. 이 과정은 엣지 간 시너지 효과를 더 잘 포착할 수 있다. 그다음, 구조 그래프에서 노드와 엣지를 교란하여 각각의 기여도에 기반한 설명용 부분 그래프를 생성한다. 서로 다른 네트워크의 여러 그래프 분류 데이터셋에 대한 실험에서 SeeExplainer가 최신(state-of-the-art) 기준선들을 능가함을 보인다.
단일 상수 곱셈(Single Constant Multiplication, SCM) 문제는 하드웨어 설계에서 기본적인 NP-hard 최적화 작업으로, 고정 상수를 덧셈, 뺄셈, 비트 시프트만을 사용하여 분해하는 것을 목표로 한다. 동적 프로그래밍 방법은 SCM에 대해 근최적 SAT 인코딩을 생성할 수 있지만, 큰 상수에 대해서는 인코딩 비용이 여전히 높다. 우리는 분해 과정에서 연산자 선택을 안내하는 우수 규칙을 식별함으로써 SCM SAT 인코딩을 가속화하는 신경-기호(neuro-symbolic) 프레임워크를 제안한다. 우리 접근법은 상수 분해로부터 유망한 연산자 유형을 예측하기 위해 그래프 신경망(graph neural network) 모델을 사용하고, 그 결과 신뢰도 점수를 활용하여 기호적 탐색에서 no-good 선택을 가지치기(prune)한다. 보지 못한 17–32비트 상수에 대한 실험 결과는 인코딩 시간이 1~2자릿수 감소하고, 메모리 사용량이 97% 이상 감소하며, 분기(branching)가 한 자릿수 감소함을 보여주면서, 덧셈 측면에서 근최적 인코딩 품질을 유지한다. 이 결과는 학습 기반 기호적 전략이 SCM 인코딩의 확장성과 효율성을 크게 개선할 수 있음을 보여준다. 우리의 코드와 데이터는 https://github.com/Chufeng-Jiang/SCM_MLDP 에서 공개적으로 이용 가능하다.
신체 기반 감정 인식은 실시간 정서(affective) 시스템에 중요하지만, 그래프 기반 골격(skeleton) 모델은 계산 비용이 많이 들 수 있다. 본 논문은 경량 시간 합성곱 네트워크(TCN)가 신체 기반 감정 분류를 위한 효율적이고 해석 가능한 대안을 제공할 수 있는지 조사한다. DIEM-A에서 TCN 모델군을 평가하고, 정확도, macro-F1, 매개변수 수, 추론 지연시간을 기준으로 그래프 기반 시계열 그래프(G-TSG) 기준선과 비교한다. G-TSG가 최고 평균 성능을 달성하지만, TCN-Base는 정확도 $1.58$점, macro-F1 $1.25$점 이내를 유지하면서 매개변수를 $79.18\%$ 줄이고 분류기 지연시간을 약 $12.5\times$ 감소시킨다. 또한 영역별 TCN 모델, zero-based occlusion, G-TSG 그래디언트 saliency를 사용하여 신체 영역 기여도를 분석한다. 결과는 상체 움직임이 독립적인 영역 단서 중 가장 강력함을, 신체 영역의 유용성이 감정에 따라 달라짐을, 그리고 서로 다른 해석 가능성 방법이 모델 동작의 서로 다른 측면을 포착함을 보여준다. 이러한 결과는 경량 TCN이 효율적인 신체 기반 감정 인식을 지원하면서, 움직임 단서가 분류에 어떻게 기여하는지에 대한 실용적 통찰도 제공할 수 있음을 시사한다.
밀집된 도시 환경에서 스마트 모빌리티를 위해 신뢰성 높고 저지연 NR-V2X 통신이 필수적이다. 그러나 제한된 도로변 유닛(RSU) 밀도, 빈번한 비시선(non-line-of-sight) 조건, 그리고 고도로 동적인 차량 토폴로지로 인해 많은 연결·자율주행 차량(CAV)이 안정적인 단일 홉 연결을 유지하지 못하는 경우가 많다. 다중 홉 릴레이 보조 통신이 인프라 커버리지를 확장할 수 있지만, 실질적인 흐름(flow), 용량, 연결성 제약 하에서 릴레이 링크를 실시간으로 선택하는 것은 여전히 어렵다. 혼합 정수 선형 계획(MILP)은 최적의 다중 홉 릴레이 결정을 제공하지만, 계산 복잡도가 네트워크 밀도에 따라 급격히 증가하여 실시간 적용이 제한된다. 이를 해결하기 위해, 실시간 NR-V2X 릴레이 선택을 위한 그래프 신경망(GNN) 기반 Learning-to-Optimise(L2O) 프레임워크를 제안한다. 차량 통신 상태를 속성 그래프(attributed graph)로 모델링하며, CAV와 RSU를 노드로, 후보 무선 링크에는 전파 인식(propagation-aware) 특성을 부여한다. 오프라인 MILP 오라클이 최적의 지도(supervision)를 제공하고, 엣지 인식(edge-aware) Graph Isomorphism Network(GINE)가 오라클 결정을 거의 일정한 추론 지연으로 근사한다. 통합 SUMO--GEMV2 시뮬레이션 파이프라인으로 생성된 대규모 도시 데이터셋에 대한 실험 결과, 제안 방법은 MILP 오라클과 유사한 연결성을 달성하면서 실행 시간을 수 자릿수만큼 단축한다. 이 프레임워크는 기존 차량 자산을 활용하고 스마트 시티 환경에서 확장 가능한 실시간 NR-V2X 운용을 지원함으로써, 도시 V2X 연결성을 비용 효율적으로 향상시킨다.
텍스트 속성 그래프(Text-Attributed Graphs, TAGs)는 그래프 토폴로지와 풍부한 텍스트 의미론을 통합하는 표현력 있는 데이터 모델로 부상했다. 기존 TAG 표현 학습 방법은, 특히 대규모 언어 모델(LLM)과 함께 사용할 때 심각한 확장성 병목을 겪는다. 데이터 증류가 유망한 데이터 중심 해결책을 제공하지만, 기존 방법은 그래프와 텍스트 모달리티 간의 복잡한 상호작용을 포착하지 못하고, 반지도 설정에 내재된 레이블 부족 문제에 어려움을 겪으며, LLM 기반 후속 작업에 필요한 사람이 읽을 수 있는 텍스트 속성을 생성할 능력이 부족하다. 이러한 과제를 해결하기 위해, 우리는 Wasserstein Distance(WSD)에 의해 안내되는 통합 반지도 프레임워크 \algo{}를 제안한다. 실제 TAG에 대한 우리의 경험적 발견에 기반하여, \algo{}는 협력적 자기학습(collaborative self-training) 방식 내에서 이중 경로 인코더(그래프 인식 및 그래프 비인식)를 활용하는 그래프-텍스트 협력 인코딩 모듈을 도입하여, 신뢰할 수 있는 의사 레이블(pseudo-label)을 수확하고 상보적인 그래프-텍스트 특징을 융합한다. 또한, 우리는 이론적으로 정당화된 WSD 기반 그래프 스케치(sketching) 알고리즘과 비용 효율적인 LLM 텍스트 합성 모듈을 개발하며, 이는 클러스터 기반 키워드 추출을 활용하여 응축된 노드에 대해 일관되고 사람이 읽을 수 있는 요약을 생성한다. 벤치마크 데이터셋에 대한 광범위한 실험은 \algo{}가 GNN 및 LLM 기반 후속 작업 모두에서 최첨단(state-of-the-art) 성능-압축 트레이드오프를 달성하여, 효과적이고 효율적인 TAG 학습 또는 분석을 가능하게 함을 보여준다.
디지털 재봉 패턴은 일반적으로 명시적인 봉합(stitch) 주석 없이 분리된 2D 패널로 구성되어, 후속 3D 모델링이 노동 집약적인 전문가 지정에 의존하게 만든다. 본 논문에서는 2D 패널 기하 정보만으로 거친 수준의 패널 연결성과 세밀한 솔기 대응(seam correspondence)이라는 2단계 봉합(stitching) 정보를 재구성하는 그래프 기반 학습 프레임워크를 제안한다. 거친 수준에서는 해부학적 신체 영역과 연관된 패널 의미를 예측하여 패널 연결성을 추론하고, 신체 구조 및 의류 설계 관례와의 일관성을 강제한다. 재구성된 패널 그래프를 바탕으로, 그래프 메시지 전달(graph message passing)을 통해 국소 솔기 기하와 전역 의류 컨텍스트를 공동으로 인코딩하는 잠재 엣지 표현을 학습하여 패널 쌍 간의 세밀한 솔기 대응을 추론한다. 결과적으로 얻은 엣지 임베딩(embedding)은 이후 상세한 솔기 대응으로 디코딩된다. 본 방법은 다대일 대응, 패널 내부 솔기, 곡선 솔기를 포함한 복잡한 재봉 패턴 토폴로지를 지원한다. 실험 결과, 높은 봉합 정확도와 다양한 의류 스타일에 걸친 강한 일반화 성능을 보여준다.
최근 교차 도메인 퓨샷 얼굴 표정 인식(CF-FER)이 상당한 관심을 받고 있다. 그러나 기존 CF-FER 방법의 성능은 여전히 불만족스러운데, 이는 큰 도메인 차이와 제한된 타깃 샘플 하에서 이전 가능한 특징 학습이 미흡하기 때문이다. 다행히 액션 유닛(AU)은 서로 다른 얼굴 근육의 움직임을 나타내며, 도메인 내외에서 표정을 기술하는 데 일관된 개념적 의미론을 제공한다. 이에 영감을 받아, AU에 일관성 인식 하이퍼그래프를 구성하는 새로운 액션 유닛 기반 일관성 인식 하이퍼그래프 네트워크(AUCH-Net)를 CF-FER를 위해 제안한다. 구체적으로, AUCH-Net은 새로운 AU 특징 학습(AFL) 모듈과 새로운 시각적 특징 학습(VFL) 모듈을 제시한다. AFL 모듈은 새로운 관계 일관성 손실과 AU 정규화 손실의 지침 하에 AU 특징을 학습하고, VFL 모듈은 관계 일관성 손실과 분류 손실의 감독 하에 시각적 특징을 학습한다. 일관된 AU 특징을 학습함으로써 AUCH-Net은 AU와 표정 범주 간의 연결을 효과적으로 모델링한다. 그 결과, 세밀한 얼굴 변화와 고수준 표정 범주 사이의 간극을 메울 수 있어, 이전 가능한 특징 표현의 학습을 크게 촉진한다. 실험실(in-the-lab) 및 실세계(in-the-wild) 데이터셋 모두에서의 광범위한 실험은 우리 방법이 여러 최신(state-of-the-art) 방법보다 일관되게 우수한 성능을 보임을 나타낸다. 우리 결과는 AU 간의 관계를 모델링하는 것이 교차 도메인 퓨샷 시나리오에서 FER에 상당한 잠재력을 지님을 분명히 보여준다.
Stress is a dynamic process characterized by significant individual variability in facial expression. Traditional architectures, such as Recurrent Neural Networks (RNNs) and Convolutional Neural Networks (CNNs), often overlook person-specific baselines or lack the representational capacity to model the non-linear temporal progression of distress due to sequential bottlenecks and rigid grid-based constraints. Furthermore, many deep learning models lack the interpretability required for clinical deployment. This study introduces StressGAT, a Graph Attention Network that leverages the relational inductive bias of graph modeling to capture complex facial dynamics that indicate acute stress. By using Differential Action Units, the framework normalizes individual responses relative to neutral baselines to achieve personalized recognition. The proposed model achieves 88.62\% accuracy on a diverse stress-induction cohort (58 participants) using a subject-independent, Leave-One-Subject-Out (LOSO) cross-validation protocol. Beyond predictive accuracy, the architecture integrates a Multiple Instance Learning (MIL) attention mechanism to identify peak stress intervals and reveal distinct expressivity phenotypes. By simultaneously optimizing for accuracy and interpretability, this framework provides a robust, explainable solution for personalized affective monitoring.
Computer aided design (CAD) is ubiquitous: virtually any modern object was designed using editable CAD tools. However, with the shortage of available CAD datasets in its native editable and parametric format, boundary representation (B-Rep), it is ever more important to develop data-efficient methods for this domain. We present a new self-supervised pretraining task, Masked Topology Modeling (MTM), that leverages the face-adjacency graph, an induced structure unique to B-reps that the encoder can be asked to reconstruct. MTM masks a fraction of edges and trains a small head to predict each masked edge's convexity and curve type from the encoder's post-message-passing face features. We combine MTM with a MoCo-style momentum-queue contrastive learning over B-rep-aware augmentations, a BFS-connected face-region masked-reconstruction objective, and pretraining on the ABC dataset and our new procedurally generated dataset to show strong performance on a number of benchmarks.
우리는 OrbitAll을 소개한다. OrbitAll은 기하학 및 물리학 정보를 반영한 심층 학습 프레임워크로, 전자 구조 정보를 이용해 임의의 전하, 스핀, 환경 효과를 갖는 모든 분자 시스템을 인코딩한다. 이는 기저 양자역학 방법에서 얻은 스핀 분극(spin-polarized) 궤도 특성을 활용하며, SE(3)-등변(equivariant) 그래프 신경망과 결합한다. OrbitAll은 대전 입자, 개각(open-shell), 용매화(solvated) 분자 예측에서 우수한 성능과 일반화를 보이며, 학습 데이터보다 훨씬 큰 분자에도 강건하게 외삽한다. OrbitAll은 경쟁 AI 모델 대비 10배 적은 학습 데이터로 화학적 정확도(chemical accuracy)를 달성하며, 밀도 범함수 이론(density functional theory, DFT) 대비 약 $10^3$ - $10^4$배의 속도 향상을 이룬다. 화학적으로 다양한 데이터셋으로 학습된 OrbitAll은 까다로운 분자 시스템에서도 강건하게 동작하며, 분자 데이터를 35배 적게, 50배 더 작은 모델을 사용함에도 기계학습 원자간 포텐셜(machine-learned interatomic potential) UMA를 고도로 대전된 종(species)에 대해 능가한다. 용매 효과를 학습한 후, UMA를 이용한 명시적 용매화(explicit-solvation) 시뮬레이션 대비 약 100배 낮은 비용으로 용매 의존적 반응 경로를 정확히 예측한다.
동적 제조 환경에서는 기계 고장, 긴급 작업 도착, 처리 시간 변동과 같은 빈번한 운영 교란 하에서 다중 에이전트 시스템이 효과적으로 조율해야 한다. 기존 다중 에이전트 강화학습 접근법은 각 교란 에피소드를 독립적으로 처리하여, 향후 적응을 가속할 수 있는 귀중한 조율 경험을 버린다. 본 논문에서는 동적 제조 환경에서의 다중 에이전트 조율을 위한 그래프 구조 경험 메모리(GSEM) 프레임워크를 제안한다. 이 프레임워크는 작업 종속성, 기계 상태, 에이전트 간 협업 패턴을 포착하는 이종 관계 그래프로 역사적 조율 에피소드를 인코딩한다. 새로운 교란이 발생하면 그래프 신경망 기반 검색 메커니즘이 구조적으로 유사한 과거 에피소드를 식별하여, 처음부터 학습하는 대신 경험 기반 정책 적응을 가능하게 한다. 세 가지 교란 유형을 포함하는 동적 유연 작업장 스케줄링 벤치마크에서의 실험 결과, GSEM은 가장 강력한 메모리 증강 기준선 대비 makespan을 4.1%-10.0% 줄이고 적응 시간을 33%-38% 단축했으며, 교란 빈도가 높을수록 이 우위가 커진다. 소거 연구와 교차 교란 전이 실험은 그래프 구조 인코딩과 유사도 기반 검색의 필요성을 추가로 검증하고, 학습된 조율 패턴의 교차 교란 일반화 가능성을 입증한다.
금융 기관은 극심한 데이터 불균형(사기 비율 0.13%)과 진화하는 적대적 회피 전술로 인해 스머핑(smurfing) 및 레이어링(layering)과 같은 정교한 자금 세탁 패턴을 탐지하는 데 큰 어려움을 겪고 있다. 본 논문은 시간적 시퀀스와 구조적 관계 맥락을 모두 포착하기 위해 장단기 기억(Long Short-Term Memory, LSTM) 네트워크와 수공 제작 그래프 위상학적 특징을 통합하는 하이브리드 프레임워크인 FraudShield AI를 제안한다. PageRank 중심성, 입력 차수(In-Degree) 역학, 맞춤형 Flow Ratio를 포함한 네트워크 중심 특징을 설계함으로써, 이 시스템은 탐지 패러다임을 개별 거래 분석에서 네트워크 수준 포렌식으로 전환한다. 클래스 불균형을 해결하기 위해 Focal Loss 목적함수를 사용하고, 저가치 스머핑 공격에 대한 회복력을 높이기 위해 동적 임계값 설정 메커니즘을 도입한다. PaySim 데이터셋에 대한 실험 평가 결과, 제안된 하이브리드 모델이 정밀도, 재현율, F1-Score에서 로지스틱 회귀 및 XGBoost 베이스라인을 크게 능가했으며, 특히 탐지가 어려운 소액 거래 사기 패턴에서 두드러진 성능을 보였다. 절제(ablation) 연구를 통해 시간적 구성요소와 위상학적 구성요소가 상호 보완적으로 기여함을 확인했다.
Large-scale land cover maps generated using deep learning play a critical role across a wide range of Earth science applications. Open in-situ datasets from principled land cover surveys offer a scalable alternative to manual annotation for training such models. However, their sparse spatial coverage often leads to fragmented and noisy predictions when used with existing deep learning-based land cover mapping approaches. A promising direction to address this issue is object-based classification, which assigns labels to semantically coherent image regions rather than individual pixels, thereby imposing a minimum mapping unit. Despite this potential, object-based methods remain underexplored in deep learning-based land cover mapping pipelines, especially in the context of medium-resolution imagery and sparse supervision. To address this gap, we propose LC-SLab, the first deep learning framework for systematically exploring object-based deep learning methods for large-scale land cover classification under sparse supervision. LC-SLab supports both input-level aggregation via graph neural networks, and output-level aggregation by postprocessing results from established semantic segmentation models. Additionally, we incorporate features from a large pre-trained network to improve performance on small datasets. We evaluate the framework on annual Sentinel-2 composites with sparse LUCAS labels, focusing on the tradeoff between accuracy and fragmentation, as well as sensitivity to dataset size. Our results show that object-based methods can match or exceed the accuracy of common pixel-wise models while producing substantially more coherent maps. Input-level aggregation proves more robust on smaller datasets, whereas output-level aggregation performs best with more data. Several configurations of LC-SLab also outperform existing land cover products, highlighting the framework's practical utility.
현재 대규모 언어 모델(LLM)을 거의 모든 상상 가능한 맥락에서 활용하는 추세를 고려할 때, LLM 생성 텍스트 탐지와 저작자 귀속은 시급한 문제가 되었다. 기존 연구는 주로 표면 수준의 언어적 특징에 초점을 맞춰 왔으며, 이 접근법은 패러프레이징(paraphrasing) 및 기타 난독화 기법에 취약한 것으로 나타났다. 본 논문에서는 언어적 표면을 넘어, LLM 생성 텍스트에서 추론 구조를 추출·분석하여 LLM 저작의 더 복잡한 신호를 포착하는 것을 목표로 한다. 우리는 논증 마이닝(argument mining) 파이프라인으로 추출한 추론 그래프를 활용하는 그래프 신경망 접근법을 제안하며, 전통적인 Longformer 기준선 대비 견고성(robustness)과 일반화(generalisation)가 향상됨을 보인다. 우리 접근법은 패러프레이징과 역번역(backtranslation) 같은 난독화 공격 하에서 기준선을 최대 27 percentage points만큼 능가하며, 새로운 LLM 버전이 지속적으로 출시되는 실제 환경을 시뮬레이션하는 보지 못한 모델 버전이 생성한 텍스트에 대해 평가할 때 19 percentage points만큼 능가한다.
전력망 문제를 위한 그래프 신경망(GNN)의 단일 과제 미세조정은 체계적인 실패 양상을 보인다. 분포 내(in-distribution) 오차가 가장 낮은 모델일수록 토폴로지 변화(topology shift) 하에서 가장 크게 성능이 저하된다. 이를 토폴로지 과적합(topology overfitting)이라 부른다. 과제 특화 그래디언트 신호가 기본 물리학(underlying physics)보다는 학습 토폴로지에 특화된 관계 구조를 인코딩하는 경향으로, 분포 내 성능이 우수함에도 불구하고 모델이 보지 못한 전력망에서 실패하게 만든다.
이 실패 양상을 드러내고 해결하기 위해, 공유 노드 인코더 위에서 K개의 과제 특화 GPS 분기를 실행하는 멀티플렉스 그래프 트랜스포머인 MxGPS(Multiplex GPS)를 제안한다. 이는 자기지도 사전학습 및 다중 과제 미세조정 프로토콜을 통해 정적 상태 추정(Static State Estimation, SSE)과 교류 전력 조류(AC Power Flow, PF)에 공동 학습되며, 교차 분기 어텐션 모듈은 ablation에서 평가되었다. SSE+PF 공동 목적 함수는 공유 인코더가 상보적인 그래디언트 신호를 동시에 만족하도록 강제하여, 토폴로지 특화 관계 구조에 대한 과적합을 방지한다.
3-fold 슬라이딩 윈도우 교차 검증(sliding-window cross-validation)으로 네 가지 보지 못한 토폴로지(14-, 24-, 162-, 300-bus)를 아우르는 실험에서, MxGPS는 네 가지 제로샷 Power Flow 토폴로지 모두에서 0% 경계 위반률(boundary violation rate, BVR)을 달성한다. 중요하게도, 분포 내 PF 오차가 실질적으로 더 낮은 모델들은 토폴로지 변화 하에서 190%에서 1400%까지 성능이 저하되는 반면, MxGPS는 39%에 불과하다. 이러한 역전 현상은 실패 메커니즘이 모델 용량 부족이 아니라 토폴로지 과적합임을 직접적으로 시사한다. 매개변수 160만 개(GridFM 참조 기준선 대비 12배 적음)만으로 MxGPS는 다중 과제 공동 학습이 전력망 파운데이션 모델에서 토폴로지 독립적(topology-agnostic) 일반화를 위한 원칙적이고 매개변수 효율적인 메커니즘임을 보여준다.
상호 연결된 시장 내 금융 기관의 기능적 역할을 이해하는 것은 효과적인 감독, 시스템적 리스크 평가, 정리계획 수립에 필수적이다. 본 연구에서는 다층 금융 네트워크를 위한 해석 가능한 역할 기반 클러스터링 접근법을 제안하며, 이는 다양한 시장 부문에 걸쳐 기관의 기능적 위치를 식별하도록 설계되었다. 제안 방법은 근접도 측정, 클러스터 평가 기준, 알고리즘 선택으로 정의된 일반적인 클러스터링 프레임워크를 따른다. 시장 층 내부 및 층 간의 직접·간접 거래 관계를 포착하는 에고넷(egonet) 특징에 기반한 설명 가능한 노드 임베딩을 구성한다. ECB의 머니마켓 통계 보고(MMSR) 거래 수준 데이터를 활용하여, 이 접근법이 시장 중개자, 부문 간 연결자, 주변부 대출자 또는 차입자와 같은 이질적인 기관 역할을 어떻게 발견하는지 시연한다. 결과는 금융 네트워크 분석 및 복잡한 시장 구조에서의 기관 행동 이해에 있어 역할 기반 클러스터링의 유연성과 실용적 가치를 부각한다.
고에너지 물리학에서 이벤트 분류를 위한 파운데이션 모델을 소개한다. 이 모델은 그래프 신경망(Graph Neural Network) 아키텍처를 기반으로 구축되었으며, 12가지 서로 다른 물리 과정에 걸친 1억 2천만 개의 시뮬레이션 양성자-양성자 충돌 이벤트로 학습되었다. 모델은 도전적인 다중 클래스 및 다중 레이블 분류 과제를 사용하여 충돌 데이터의 일반적이고 견고한 표현을 학습하도록 사전학습되었다. 성능은 사전학습 중 접하지 않은 새로운 물리 과정을 포함하는 7가지 이벤트 분류 과제 전반에 걸쳐 평가되며, Delphes 고속 시뮬레이션부터 전체 ATLAS 검출기 시뮬레이션까지 서로 다른 시뮬레이션 프레임워크에 걸친 일반화 가능성을 보여주기 위해 ATLAS Open Data도 사용한다. 사전학습된 모델의 미세조정은 분류 성능을 크게 향상시키며, 특히 학습 데이터가 제한된 시나리오에서 정확도와 계산 효율성 모두에서 이득을 보여준다. 성능 향상의 기저 메커니즘을 조사하기 위해 Centered Kernel Alignment(CKA)에 기반한 표현 유사성 평가 프레임워크를 사용한다. 이 분석은 미세조정된 모델의 인코더 단계 표현이 기준선과 유사하게 유지되는 반면, 중간 그래프 처리 레이어는 크게 달라짐을 보여주며, 이는 미세조정이 범용 인코더를 보존하면서 우수한 과제 성능에 도달하기 위해 근본적으로 다른 메시지 전달(message-passing) 경로를 발달시킴을 시사한다.
NeuronSoup를 제시한다. 이는 동기식 층별 처리를 공유 뉴런 풀을 통한 비동기·지연 매개 신호 전파로 대체하는 신경 계산 아키텍처이다. 네트워크의 각 경로는 가변적인 수의 중간 은닉 뉴런을 거쳐 하나의 입력 뉴런에서 하나의 출력 뉴런으로 연속값 신호를 라우팅한다. 은닉 뉴런은 경로 간 물리적으로 공유된다. 두 경로가 동일한 뉴런을 통과할 때, 두 번째 도달은 첫 번째가 남긴 누적 상태를 만나며, 신호 극성과 도달 시각에 따라 상보적 또는 상쇄적 간섭을 일으킨다. 전체 아키텍처—위상, 가중치, 지연, 연결성—는 14,602개 유전자로 구성된 평탄한 실수값 게놈 위에서 작동하는 유전 알고리즘으로 공진화된다. 입력으로 고정된 ResNet18 특징을 사용한 10클래스 MNIST 숫자 분류에서, 시스템은 266개의 은닉 뉴런(다중 경로에 걸쳐 156개 공유, 한 뉴런은 11개의 서로 다른 경로에 참여)을 통과하는 204개의 활성 경로로 구성된 네트워크를 진화시키며, 10,000세대 후 85.9% 테스트 정확도를 달성한다. 학습된 모델은 115 KB를 차지한다. 이 아키텍처가 현재 심층 학습의 근본적 한계를 해소한다고 주장한다. 미분 가능한 계산 그래프가 필요 없고, 샘플별로 계산 깊이를 적응시키며, 현재 아키텍처가 명시적으로 설계해야 하는 처리 경로 간 측면 상호작용을 발견한다. 유전 알고리즘이 이 문제 클래스에 적합한 최적화 도구인 이유, CMA-ES가 이 규모에서 실패하는 이유, 그리고 인코더와 출력 구조를 교체함으로써 임의의 도메인으로 일반화하는 방법을 논의한다.