PyTorchKR Papers

최신 논문

총 3,895편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.14114v1cs.CL

CoEvoT: 그래프-LLM 추론을 위한 공진화 사고의 연쇄 프롬프팅

CoEvoT: Co-Evolving Chain-of-Thought Prompting for Graph-LLM Reasoning

분포 이동(distribution shift) 하에서의 그래프 학습은 지속적인 과제이며, 모델은 제한적이거나 심지어 감독이 전혀 없는 상황에서 새로운 그래프에 적응해야 한다. 최근 그래프-LLM 접근법은 그래프를 프롬프트로 선형화하고 대규모 언어 모델(LLM)을 예측기로 사용하여 레이블 효율적인 예측을 향해 나아가며, LLM의 다단계 추론 능력을 활용하기 위해 사고의 연쇄(Chain-of-Thought, CoT) 프롬프팅을 채택할 수 있다. 그러나 기존 CoT 기반 그래프-LLM 방법은 고정된 그래프 토큰을 조건으로 하여 중간 사고를 생성하므로, 구조적 단서의 단계별 정제가 제한된다. 본 논문에서는 그래프-LLM 추론을 위한 단순하면서도 효과적인 공진화 CoT 프롬프팅 프레임워크인 CoEvoT를 제안한다. CoEvoT는 텍스트-그래프 토큰 재작성과 그래프-텍스트 추론 안내를 폐루프로 결합한다. 각 중간 텍스트 사고는 경량 조건 네트워크를 통해 그래프 토큰 증거 상태를 갱신하는 데 사용되며, 갱신된 토큰은 다음 단계 지시에 다시 입력되어 후속 LLM 추론을 안내한다. 이를 통해 고정된 그래프 스냅샷에 대한 추론이 아니라, 단계별·상태 인식 증거 정제가 가능해진다. 8개 데이터셋에 대한 광범위한 실험에서 CoEvoT는 최신 베이스라인을 일관되게 능가함을 보여준다.

arXiv:2607.14102v1cs.CL

UniSAGE: Hyper-Structure를 통한 정적·동적 속성 통합

UniSAGE: Unifying Static and Dynamic Attributes with Hyper-Structure

디지털 데이터의 급속한 증가로, 실제 응용에서는 정적 속성과 동적 레코드를 결합한 계층적 정보를 다루는 경우가 점점 늘어나고 있다. 이러한 이종 데이터를 통합적이고 일반화 가능한 방식으로 모델링하는 것은 여전히 어려운 과제이다. 기존 접근법은 종종 광범위한 수동 설계에 의존하고, 특정 데이터 스키마에 밀접하게 결합되며, 일반적으로 정적 속성과 동적 속성을 개별적으로 처리하여 이들의 암묵적 상호작용을 간과한다. 우리는 정적 및 동적 속성을 모두 갖는 데이터를 모델링하기 위한 통합 프레임워크인 UniSAGE를 제안한다. UniSAGE는 계층적 관계와 시간적 관계를 통합 구조로 표현하는 전역 속성 그래프를 구축한다. 표현의 일관성을 보장하기 위해, 공유 의미 공간 내에서 정적 집계와 동적 추론을 공동으로 지원하는 두 개의 직교 매개변수 부분공간을 도입한다. 이러한 통합 표현을 기반으로, UniSAGE는 경량 hyper-structure 메커니즘을 통해 정적 속성과 동적 속성 간의 과제 특화 상호작용을 추가로 가능하게 한다. UniSAGE는 완전 자동화되어 있으며, 변화하는 데이터 스키마에 강건하고, 복잡한 속성 간 의존성을 포착할 수 있다. 여러 공개 벤치마크와 실제 금융 행동 데이터셋에 대한 광범위한 실험은 UniSAGE가 기존 방법을 일관되게 능가하며, 여러 과제에서 10% 이상의 성능 향상을 달성함을 보여준다.

arXiv:2607.14705v1cs.LG

Grad2Fair: 인구통계 정보 없이 그래프 공정성을 달성하는 그래디언트 기반 접근법

Grad2Fair: A Gradient-driven Approach for Graph Fairness without Demographics

그래프 신경망(GNN)은 종종 집단 공정성(group fairness) 문제에 직면하며, 성별이나 인종과 같은 민감한 속성으로 정의된 특정 인구통계 집단에 대해 편향된 예측을 내는 경우가 많다. 이러한 과제는 광범위한 연구를 촉발했지만, 대부분의 기존 해결책은 인구통계 정보가 완전히 이용 가능하다는 강한 가정에 의존한다. 이 엄격한 요구사항을 우회하기 위해, 최근 몇몇 연구는 공정성 제약을 강제하기 위해 예측된 인구통계를 프록시로 사용하려 시도했다. 그러나 예측된 인구통계는 부정확할 수 있어 공정성 개선에 실패할 수 있다. 본 연구에서는 인구통계 정보 없이 그래프 공정성 문제를 조사하고, 예측된 인구통계의 사용을 피한다. 오분류된 노드의 그래디언트 분포가 암묵적으로 인구통계 정보를 인코딩한다는 관찰에 영감을 받아, 먼저 GradDist를 제안한다. 이는 이러한 분포 내 국소 모드(local modes) 간 거리를 측정하여 바이어스를 정량화하는 그래디언트 기반 지표이다. 이 바이어스를 완화하기 위해 Gradient-to-Fairness(Grad2Fair)를 제안한다. 이는 인구통계 정보 없이 집단 공정성을 위한 그래디언트 기반 접근법이다. 그래디언트에 잠재된 인구통계 정보로 인해, Grad2Fair는 그래디언트를 직접 활용하여 디바이어스(debias)하고 인구통계 예측을 제거함으로써 안정적인 공정성 성능을 가능하게 한다. 여러 실세계 데이터셋에 대한 실험은 Grad2Fair의 효과를 보여 주며, 대부분의 경우 베이스라인 대비 우수한 성능으로 이를 입증한다. 코드는 https://github.com/ZzoomD/Grad2Fair 에서 이용할 수 있다.

arXiv:2607.14410v1cs.LG

LATTICE: 다중모달 공간 오믹스 통합을 위한 그래프 자기지도 학습

LATTICE: Graph Self-Supervised Learning for Multimodal Spatial Omics Integration

공간 해상도 오믹스 연구에서는 전사체(transcriptomic) 및 후성유전체(epigenomic) 분석을 점점 더 결합하고 있지만, 하위 분석은 여전히 단일 모달리티 파이프라인으로 수행되는 경우가 많다. 본 논문은 LATTICE(Latent Alignment of Tissue-level and Transcriptomic Information for Cross-modal Embedding)를 제안한다. 이는 조화화된 다중모달 특징으로부터 spot 수준 표현을 학습하는 그래프 기반 자기지도 프레임워크이다. LATTICE는 Visium spot당 다섯 개의 정렬된 모달리티 블록을 통합한다: Visium RNA, scMultiome RNA, scMultiome ATAC, spatial ATAC, spatial CUT&Tag. 이러한 모달리티는 통합된 격자(lattice) 표현 안에서 공간 전사체 측정값, 단일세포로 추론한 조절 활성, in situ 크로마틴 및 히스톤 상태를 포착한다. LATTICE는 공간 이웃 그래프를 구성하고, 마스킹 재구성, 교차 모달 정렬, 공간 평활성 목표를 사용해 TransformerConv 인코더를 학습한다. 비식별화된 임상 협력 기관의 사유 11-샘플 흑색종 코호트(총 54,912 spots)에서 LATTICE는 안정적인 최적화 동작, 분석 시드 간 재현 가능한 임베딩, 모든 샘플에 걸친 완전한 다중모달 통합을 보였다. Visium RNA 단독에 scMultiome RNA를 추가하면 11회 실행 전반에서 Space Ranger 클러스터와의 일치도가 크게 향상되었다(조정 랜드 지수[ARI] +0.157, 정규화 상호정보량[NMI] +0.143, 공간 연속성 +0.174). 추가 모달리티는 공간 연속성과 다중모달 유틸리티 점수(MUS)를 더욱 개선했지만, 때로는 RNA 유래 참조 라벨과의 일치도를 낮추기도 했으며, 이는 학습된 임베딩이 전사체 유사성만을 넘어서는 크로마틴 및 조절 구조를 포착했기 때문으로 보인다. 이러한 결과는 LATTICE를 다중모달 공간 오믹스 통합을 위한 실용적이고 경험적으로 뒷받침되는 프레임워크로 자리매김하는 동시에, 더 강한 지도(supervision)와 더 넓은 외부 벤치마킹의 필요성을 부각한다.

arXiv:2607.14314v1cs.LG

NeuroGRIP: 지식 기반 EEG 발작 진단을 위한 검색-증강 그래프 정제

NeuroGRIP: Retrieval-Augmented Graph Refinement for Knowledge-Grounded EEG Seizure Diagnosis

EEG 신호를 이용한 발작 진단은 복잡한 신경 역학과 채널 간 모델링에서의 허위 연결로 인해 중요하면서도 지속적으로 어려운 과제이다. 공간-시간 그래프 신경망(spatial-temporal graph neural networks, STGNN)은 EEG 뇌 네트워크 표현 학습(representation learning)을 발전시켰지만, 순전히 데이터 기반 특성으로 인해 결과 그래프 구조는 임상적 타당성이 낮고 해석 가능성(interpretability)이 제한적이다. 이를 위해 우리는 외부 의학 지식을 통합하여 노이즈가 있는 EEG 그래프를 보정하는 검색-증강 그래프 정제(retrieval-augmented graph refinement) 프레임워크인 NeuroGRIP을 제안한다. 먼저 권위 있는 임상 가이드라인에서 파생된 대규모 도메인 특화 지식 베이스(knowledge base)를 구축한다. 대규모 언어 모델(LLM)을 활용하여 구조화된 생의학적 개체와 관계를 추출해 텍스트 지식 그래프(KG)를 형성하며, 이는 임상적 사전(prior)의 외부 지식 원천으로 작용한다. 본 프레임워크는 STGNN이 생성한 EEG 노드 임베딩(embedding)을 KG의 의미 공간(semantic space)으로 투영함으로써 정렬 인식(alignment-aware) 쿼리 구성을 수행한다. 의미적 쿼리는 FAISS 기반 유사도 검색(similarity search)을 통해 지식 삼원조(triplets) 위에서 실행되어 관계 증거(relation evidence)를 검색한다. 각 예측 엣지(edge)에는 검색된 유사도, 관계 유형, 출처 신뢰도(source reliability)에 기반한 신뢰도 점수(confidence score)가 부여되어, 원래 예측 그래프에서 의학적으로 타당하지 않은 엣지를 제거(prune)할 수 있다. TUSZ와 CHB-MIT에 대한 광범위한 실험은 NeuroGRIP이 발작 검출 정확도를 향상시킬 뿐만 아니라, 각 예측을 임상적으로 검증된 지식에 그라운딩(grounding)함으로써 해석 가능성을 높인다는 것을 보여준다. 본 연구는 검색-증강 추론(retrieval-augmented reasoning)을 통해 뇌 역학과 외부 의학 전문 지식을 긴밀히 결합한 최초의 통합 프레임워크를 제공하며, 지식 강화형 설명 가능한 임상 진단의 길을 연다. 코드는 https://github.com/LincanLi-X/NeuroGRIP 에서 이용할 수 있다.

arXiv:2607.14176v1cs.LG

엣지 특징 Graph Isomorphism Network를 이용한 NR-V2X 차량 통신의 저지연 릴레이 선택

Low-Latency Relay Selection in NR-V2X Vehicular Communications via Graph Isomorphism Networks with Edge Features

밀집된 도시 환경에서 C-V2X 네트워크의 핵심 요구사항은 신뢰할 수 있는 저지연 상향링크 연결성이며, 이러한 환경에서는 빠른 채널 변화와 차폐로 인해 차량-인프라 직접 링크가 자주 저하된다. 다중 홉 릴레이를 통해 커버리지를 복구할 수 있지만, 무선, 용량, 라우팅 제약 하에서의 릴레이 링크 활성화는 NP-hard 최적화 문제가 되며, 일반적으로 혼합 정수 선형 계획(MILP)으로 풀지만 그래프 크기에 따라 실행 시간이 급격히 증가한다. 본 논문은 실시간 릴레이 선택을 위한 엣지 인식 Learning-to-Optimise 프레임워크를 제안한다. 각 V2X 스냅샷은 방향 그래프로 모델링되며, 노드 특징은 차량 상태와 트래픽 수요를 인코딩하고, 엣지 특징은 무선 링크 용량을 포착한다. 오프라인 MILP 오라클이 최적 릴레이 구성을 생성하여 엣지 특징 Graph Isomorphism Network(GINE)을 지도 학습하고, 단일 순전파로 엣지 수준 릴레이 활성화를 가능하게 하며, 추론 지연을 엄격하게 제한한다. 학습과 정확한 최적화를 연결하기 위해, GINE 예측이 MILP 탐색 공간을 가지치기하는 하이브리드 GINE-Pruned MILP(GP-MILP) 전략도 제안한다. OSM-SUMO-GEMV$^2$ 파이프라인으로 생성된 대규모 데이터셋 실험에서 GINE은 링크 수준에서 MILP 결정과 밀접하게 일치(정확도 0.9589, 검증 F1-score 0.9544)하며, 1-hop MILP 기준선 대비 일관된 end-to-end 연결성 향상을 보여준다(RSU 4개일 때 최대 9.2%, RSU 2개일 때 12%). 추론 지연은 엄격하게 제한되며, 평가된 모든 인스턴스가 5~ms 이내에 완료된다. 또한 GP-MILP는 MILP 동등 솔루션(동일 목적 함수값)을 보존하면서 그래프 인스턴스의 98% 이상에서 30~ms 미만의 솔버 실행 시간을 달성하여, MILP 수준 최적화를 엄격한 NR-V2X 지연 예산과 호환되게 한다.

arXiv:2512.12477v3cs.AI

DualHNIE: 이종 지식 그래프에서 노드 중요도 추정을 위한 이중 채널 하이퍼그래프 학습

DualHNIE: Dual-Channel Hypergraph Learning for Node Importance Estimation in Heterogeneous Knowledge Graphs

이종 지식 그래프에서 노드 중요도를 추정하는 것은 추천, 검색, 지식 의사결정 시스템의 기반이 되는 근본적인 문제이다. 그러나 기존 방법의 대부분은 메타 관계(meta-relational) 구조에 의해 유도되는 고차 상호작용을 포착하지 못하는 쌍wise 메시지 전달(pairwise message passing) 메커니즘에 의존한다. 또한 구조적 토폴로지와 의미적 속성은 통상적으로 통합된 임베딩 공간 내에서 뒤섞여 있어, 각각의 고유한 귀납적 편향(inductive bias)을 흐리게 하고 학습된 중요도 표현의 판별력을 제한한다. 이러한 한계를 해결하기 위해, 우리는 노드 중요도 추정을 위한 원칙적인 이중 채널 하이퍼그래프 학습 프레임워크인 DualHNIE를 제안한다. DualHNIE는 먼저 메타 패스(meta-path) 시퀀스로부터 유형화된 하이퍼엣지(typed hyperedge)를 구성하여 고차 지식 그래프를 만들고, 고차 관계 패턴의 명시적 모델링을 가능하게 한다. 그런 다음 두 가지 상보적 인코더를 도입한다: 메타 패스로 유도된 하이퍼엣지에 대해 국소 정규화 집계를 수행하여 국소적 구조적 의존성을 포착하는 구조 인식 하이퍼그래프 어텐션 네트워크, 그리고 확장 가능한 계산을 유지하면서 전역 의미적 상호작용을 포착하는 희소-청크(sparse-chunked) 하이퍼그래프 트랜스포머. 우리는 또한 보조 감독(auxiliary supervision)을 갖춘 대조 정렬(contrastive alignment) 메커니즘을 설계하여, 모달리티별 표현을 보존하면서 교차 뷰(cross-view) 일관성을 보장한다. 다수의 벤치마크 데이터셋에 대한 광범위한 실험은 DualHNIE가 최신(state-of-the-art) 방법들을 능가함을 보여주며, 이종 지식 그래프에 대한 명시적 고차 모델링과 분리된(disentangled) 이중 채널 표현 학습의 효과를 검증한다. 코드와 데이터셋은 \footnote[1]{https://github.com/jiawenchen10/DualHNIE}에서 이용 가능하다.

arXiv:2510.09416v4cs.LG

시간 그래프 학습 모델은 무엇을 학습하는가?

What Do Temporal Graph Learning Models Learn?

시간적 그래프에서의 학습은 그래프 표현 학습(graph representation learning)의 핵심 주제가 되었으며, 수많은 벤치마크가 최신(state-of-the-art) 모델의 강력한 성능을 보여주고 있다. 그러나 최근 연구들은 벤치마크 결과의 신뢰성에 대한 우려를 제기했으며, 널리 사용되는 평가(evaluation) 프로토콜의 문제점과 단순 휴리스틱(simple heuristics)의 놀라운 경쟁력을 지적했다. 이러한 대조는 시간 그래프 학습 모델이 실제로 예측을 형성하기 위해 기저 그래프의 어떤 특성을 이용하는지에 대한 질문을 던진다. 우리는 시간적 그래프의 링크 구조와 관련된 8가지 근본적 특성을 포착하는 능력을 기준으로 8개 모델을 체계적으로 평가함으로써 이를 다룬다. 여기에는 밀도(density)와 같은 구조적 특성, 최근성(recency)과 같은 시간적 패턴, 동질성(homophily)과 같은 엣지 형성 메커니즘이 포함된다. 합성 및 실제 데이터셋을 모두 사용하여 모델이 이러한 특성을 얼마나 잘 학습하는지 분석한다. 우리의 발견은 엇갈린 그림을 보여준다. 모델들은 일부 특성은 잘 포착하지만 다른 특성은 재현하지 못한다. 이를 통해 중요한 한계를 드러낸다. 전반적으로, 본 결과는 시간 그래프 학습 모델의 적용에 대한 실용적 통찰을 제공하고, 그래프 학습 연구에서 해석 가능성(interpretability) 중심의 평가를 촉진할 것이라고 본다.

arXiv:2507.03209v2q-bio.QM공식 코드 · Papers with Code

리피드 나노입자(LNP) 전입 효율 예측을 위한 머신러닝 벤치마킹 프레임워크

A Machine Learning Benchmarking Framework for Lipid Nanoparticle Transfection Efficiency Prediction

효율적인 리피드 나노입자(LNP) 매개 RNA 전달을 위한 새로운 이온화성 리피드(ionizable lipid)의 발견은 RNA 치료제 개발에서 여전히 주요 병목으로 남아 있다. 최근 발전은 리피드 구조로부터 직접 전입(transfection) 효율을 예측할 수 있는 머신러닝(ML) 모델의 잠재력을 보여주며, 이는 고처리량 가상 스크리닝을 가능하게 하고 후보 물질(lead) 선별을 가속한다. 그러나 LNP 전입 예측을 위한 새로운 모델이 계속 등장함에 따라, 엄격하고 표준화된 벤치마킹의 부재는 상당한 위험을 초래하며, 발견(discovery) 목적에서의 신뢰성에 대한 확신을 약화시킬 수 있다. 여기서 우리는 이온화성 리피드 구조에 기반한 전입 예측 모델을 평가하기 위한 견고한 ML 벤치마킹 프레임워크를 제시한다. 이 프레임워크는 전통적인 모델, 순전파 신경망(feedforward neural network), 그리고 최신(state-of-the-art) 그래프 기반 방법에 이르는 광범위한 ML 아키텍처와 결합된 다양한 분자 표현(molecular representation)을 체계적으로 벤치마킹한다. 또한, 제시된 프레임워크는 모델 일반화(generalization) 평가를 지원하며, 표준 회귀(regression) 지표를 넘어 예측 신뢰성을 평가한다. Xu et al.이 최초로 보고한 HeLa 전입 데이터셋에서 파생된 1,100개의 고유 이온화성 리피드 구조로 구성된 큐레이션 데이터셋을 사용하여, 이 프레임워크 내에서 명시적 분자 부분구조(substructure) 인코딩을 활용하는 모델들이 지속적으로 최고의 예측 정확도를 달성하며, 보다 정교한 새로운 모델 개발을 위한 필수 베이스라인으로 기능해야 함을 보여준다. 반면, AGILE, Chemprop, KPGT를 포함한 일부 현재의 그래프 기반 모델들은 비교적으로 낮은 정확도를 보이는 경향이 있다. 제시된 프레임워크는 표준화되고 투명하며 포괄적인 벤치마킹 자원을 제공하여, 새롭게 등장하는 아키텍처의 의미 있는 비교를 가능하게 하고 리피드 기반 RNA 전달에서의 예측 모델 향후 개발을 위한 강력한 베이스라인을 확립한다.

arXiv:2403.09742v2cs.AI

고전, AI, 양자 방법의 최대 클리크 문제 알고리즘에 대한 간단한 리뷰

A short review on the maximum clique problem algorithms with classical, AI, and quantum methods

본 원고는 그래프에서 모든 정점 쌍이 서로 인접한 정점 부분집합을 찾는 계산 문제인 최대 클리크 문제(Maximum Clique Problem)에 대한 포괄적인 리뷰를 제공한다. 이에 따라 본 리뷰는 1994, 1999, 2014년의 선행 리뷰 시리즈를 이어간다. 본 원고는 고전 알고리즘을 간단히 다루며, 그래프 신경망(graph neural networks)과 양자 알고리즘의 최근 발전에 대한 리뷰를 포함한다.

arXiv:2607.14416v1cs.AI

CausalGraphX: 설명 가능한 시스템적 리스크 평가를 위한 반사실적 그래프 신경망 프레임워크

CausalGraphX: A Counterfactual Graph Neural Network Framework for Explainable Systemic Risk Assessment

글로벌 금융 시스템의 상호연결성은 소수 기관의 실패가 치명적인 연쇄 디폴트를 촉발할 수 있는 시스템적 리스크에 취약하게 만든다. 전통적인 리스크 모델은 이러한 네트워크의 복잡한 비선형 역학을 포착하지 못하는 경우가 많다. 그래프 신경망(GNN)은 관계형 데이터 모델링에서 유망함을 보여 왔지만, 주로 상관적 패턴을 학습하고 블랙박스로 작동하여 충격 전파의 인과적 메커니즘에 대한 통찰을 거의 제공하지 못한다. 이 한계는 스트레스 테스트를 수행하고 효과적인 개입 방안을 마련하기 위해 설명 가능한 모델을 요구하는 규제 기관에게 중요하다. 우리는 GNN과 반사실적 추론을 통합하여 시스템적 리스크에 대한 설명 가능한 평가를 제공하는 새로운 프레임워크인 CausalGraphX를 제안한다. CausalGraphX는 그래프 어텐션 메커니즘을 사용하여 기관 취약성의 표현을 학습하고, 이러한 표현이 허위 상관관계가 아닌 인과적 요인을 포착하도록 적대적 정규화 기법을 사용한다. 또한 우리는 반사실적 설명을 생성하기 위한 최적화 기반 접근법을 제안하여, "특정 스트레스 시나리오에서 Bank A의 디폴트를 막기 위해 필요한 최소 자본 주입은 얼마였을까?"와 같은 질문에 답한다. 우리는 대규모 합성 금융 네트워크에서 CausalGraphX를 검증한다. 결과는 CausalGraphX가 희소하고 타당하며 실행 가능한 반사실적 설명을 제공하는 동시에 연쇄 디폴트 예측에서 전통적 및 심층 학습 베이스라인을 크게 능가함을 보여준다.

arXiv:2607.14149v1cs.AI

지식 그래프 그라운딩을 통한 소형 언어 모델 추론 능력 향상

Enhancing Small Language Models Reasoning through Knowledge Graph Grounding

대규모 언어 모델(LLM)은 제로샷(zero-shot) 추론에서 벤치마크를 세웠지만, 배포 비용이 과도하고 환경 부담도 큽니다. 소형 언어 모델(SLM)은 지속 가능한 대안이지만, 복잡한 다중 홉(multi-hop) 논리적 그라운딩(grounding)이 요구되는 과제에서는 오류에 취약합니다. 우리는 CLUTRR kinship 벤치마크를 사용하여 Gemma 3 (1B, 4B) 및 Llama 3.2 (3B)와 같은 SLM의 추론 능력을 향상시키기 위한 뉴로-심볼릭(neuro-symbolic) 에이전트 프레임워크를 조사합니다. 우리 접근법은 SLM을 두 가지 특화된 도구 호출을 활용하는 미니멀리스트 에이전트로 변환합니다: extract_facts는 심볼릭 triplet 추출용이고, get_hint는 Relational Graph Convolutional Network(RGCN)를 통한 전문가 추론용입니다. 우리는 정답 triplet을 사용하는 Oracle 시나리오와 자체 추출 지식에 의존하는 Realistic 시나리오라는 두 가지 구성에서 이 모델들을 평가합니다. 결과는 RGCN 파생 힌트가 스토리만 사용하는 baseline 대비 1.5~2배 성능 향상을 제공하지만, 시스템이 추출 병목(extraction bottleneck)과 순차적 연역적 취약성(sequential deductive fragility)에 의해 제약받으며, 초기 추출 오류가 다중 홉 체인 전체에서 누적된다는 것을 보여줍니다. 또한 우리는 특정 아키텍처에서 전문가 힌트가 존재함에도 불구하고 노이즈가 있는 자체 생성 사실이 성능을 저하시키는 "distraction effect"를 확인합니다. 본 연구는 저자원 에이전트 시스템에서 심볼릭 그라운딩의 과제를 규명하고, 뉴로-심볼릭 에이전트 파이프라인에서 반복적 검증을 위한 로드맵을 제시합니다.

arXiv:2607.14093v1cs.AI

수색·구조를 위한 자율 UAV 군집의 지능형 3계층 학습 아키텍처

Intelligent Three Level Learning Architecture for Autonomous UAV Swarms in Search and Rescue

본 논문은 수색·구조 작업을 수행하는 자율 UAV 군집을 위한 새로운 3계층 계층적 학습 아키텍처를 제안한다. 모든 계층 수준에 단일 학습 패러다임을 적용하는 기존 접근과 달리, 제안 아키텍처는 반사(reflexes), 기술(skills), 추론(reasoning)의 생물학적 계층에 대응하는 세 가지 질적으로 다른 학습 메커니즘을 통합한다: 개별 에이전트 적응을 위한 Hebbian 신경가소성, 전술적 협조를 위한 그래프 신경망(GNN)과 행동 트리(Behavior Trees)를 활용한 다중 에이전트 강화학습(MARL), 그리고 전략적 의사결정을 위한 BDI 추론과 디지털 트윈을 갖춘 모델 불변 메타 학습(model-agnostic meta learning). 아키텍처는 BDI, Behavior Trees, GNN, MARL, Neuroplasticity, Meta Learning 등 6개 구성요소에 걸쳐 22개의 아키텍처 계약으로 형식화되며, 이들은 안전성, 예산 정확성, 최적성, 활성(liveness), 기아(starvation) 자유, 계층 간 일관성과 같은 6가지 형식적 보장 클래스를 공동으로 제공한다. 우리는 3개 수준 전체의 구조화된 상호작용에서 발생하는 조합적 속성인 군집 메타 인지(Swarm Meta Cognition)를 도입하여, 군집이 자신의 인지 상태를 모니터링하고 인지 전략 간 전환을 가능하게 한다. SAR 작업 유형에 대한 5가지 구성적 진행 함수는 추상적 최적화 이론과 구체적 운용 시나리오 사이의 간극을 메운다. 주요 통합 정리는 모든 계약이 충족될 때 하이브리드 신경-기호 시스템이 6가지 보장 클래스를 모두 보존함을 확립한다. 능동 학습(active learning)이 포함된 동적 경우에 대해 5개의 새로운 계약이 프레임워크를 확장하여 인지적 회복력, 우아한 성능 저하(graceful degradation), 단조 메타 개선(monotonic meta improvement)의 3가지 추가 보장을 제공한다. 이론적 분석은 해당 아키텍처가 기존 계층적 RL 접근법의 5가지 근본적 한계를 해결함을 보여준다.

arXiv:2607.15128v1cs.CV

DAPGNet: 초분광 이미지 분류를 위한 동적 적응형 물리 유도 그래프 확산 네트워크

DAPGNet: Dynamic Adaptive Physics-Guided Graph Diffusion Network for Hyperspectral Image Classification

초분광 이미지(HSI) 분류는 스펙트럼 변이, 혼합 픽셀, 이질적 경계 조건에서 신뢰할 수 있는 픽셀 간 관계 모델링을 요구한다. 기존 그래프 기반 HSI 분류기는 보통 공간 근접성, 초픽셀(superpixel) 연결성, 또는 학습된 특징 친화도로부터 그래프 토폴로지를 구성한다. 그러나 연속 밴드가 담고 있는 스펙트럼 물리 사전 정보는 토폴로지 추정과 메시지 전파에 미치는 영향이 제한적이다. 본 논문은 관계 수준의 그래프 학습에 구조 제약 물리 사전 정보를 주입하는 동적 적응형 물리 유도 그래프 확산 네트워크인 DAPGNet을 제안한다. DAPGNet은 먼저 연속적인 스펙트럼 응답을 노드별 다중 스케일 물리 사전 표현으로 인코딩한다. 이어 2단계 그래프 구성기가 스펙트럼-공간 친화도, 물리 사전 일관성, 공간 거리를 결합하여 물리 사전 인식 희소 토폴로지를 형성한다. 그래프 확산 과정에서 학습된 엣지 가중치는 가산적 어텐션 바이어스로 변환되며, 물리 게이트는 그래프 집계 특징과 투영된 물리 사전 특징 사이에서 노드별·특징별 보간을 수행한다. 교차 스케일 융합은 서로 다른 확산 깊이의 노드 상태를 통합하며, 네트워크는 주 분류, 보조 감독, 2차 스펙트럼 평활성 정규화로 최적화된다. Indian Pines, WHU-Hi-LongKou, Houston2013, Houston2018 데이터셋에서의 실험 결과, DAPGNet은 대표적인 CNN-, 트랜스포머-, Mamba-, 그래프 기반 베이스라인 중 OA, AA, Kappa에서 최고 성능을 달성한다. 네 개 데이터셋 전반에서 가장 강력한 경쟁 방법 대비 AA를 3.64~7.31 퍼센트 포인트 향상시킨다. 소거 및 민감도 분석은 물리 사전 추출, 사전 인식 토폴로지 구성, 물리 게이트 전파, 스펙트럼 평활성 정규화의 상호 보완적 효과를 추가로 뒷받침한다.

arXiv:2607.14350v1cs.CV

HAR를 위한 동적 조작 하이퍼그래프: 쌍wise 관계를 넘어서: 비전 기반 인간 활동 인식을 위한 동적 조작 하이퍼그래프

Dynamic Manipulation Hypergraphs for HAR: Beyond Pairwise Relations: Dynamic Manipulation Hypergraphs for Vision-Based Human Activity Recognition

세밀한 조작 인식은 손, 객체, 도구 및 지지면 사이의 진화하는 관계를 모델링해야 한다. 기존 그래프 기반 방법은 쌍wise 엣지를 사용하며, 이는 조율된 이벤트를 분리된 이진 관계로 단편화할 수 있다. 우리는 다중 엔터티 구성을 고차 관계 단위로 표현하는 동적 조작 하이퍼그래프 프레임워크를 제안한다. 각 시간 단계에서 관련 엔터티는 외형, 공간, 운동 및 의미적 역할 특징으로 인코딩된다. 하이퍼엣지 후보는 근접성, 접촉 및 운동 결합 술어를 사용해 인스턴스화되고 순위가 매겨진다. 하이퍼그래프 추론 네트워크는 노드-하이퍼엣지 및 하이퍼엣지-노드 메시지 패싱을 수행한 뒤, 진화하는 상호작용 구조에 대한 시간적 어텐션을 적용한다. 이 프레임워크는 모델이 강조하는 엔터티 구성과 시간 구간을 식별하는 클래스 무관 하이퍼엣지 중요도 점수를 제공하되, 이를 인과적 설명으로 취급하지는 않는다. 정량적 평가는 주석 보조 엔터티 국소화 프로토콜 하에 EPIC-KITCHENS-100/VISOR 및 Assembly101에서 수행된다. 비디오 전용 및 엔터티 기반 방법은 맥락적 비교를 제공하고, 동일한 엔터티 입력과 유사한 관계 설정을 사용하기 때문에 매칭된 쌍wise 그래프와 정적 하이퍼그래프가 주요 통제 기준선으로 사용된다. 제안 방법은 EPIC-KITCHENS-100/VISOR에서 매칭된 쌍wise 그래프 대비 HO-F1을 6.9%p 향상시키고 Assembly101에서는 9.5%p 향상시키며, 정적 하이퍼그래프보다 각각 4.4%p 및 5.8%p 높다. ARCTIC에 대한 정성 분석은 순위가 높은 하이퍼엣지와 접촉이 풍부한 조작 구간 간의 대응 관계를 추가로 보여준다. 이러한 결과는 세밀한 조작 활동 인식을 위한 시간 가변적 고차 관계 모델링의 가치를 보여준다.

arXiv:2607.13837v1cs.LG

NodeImport: 노드 중요도 평가를 통한 불균형 노드 분류

NodeImport: Imbalanced Node Classification with Node Importance Assessment

실제 응용에서 그래프상의 노드 분류는 다수 클래스가 학습을 지배하여 모델 성능에 편향이 발생하는 클래스 불균형(class imbalance) 문제를 흔히 겪는다. 기존 GNN은 이러한 상황에서 다수 클래스에 과적합(overfitting)하고 소수 클래스를 과소 대표하는 경향이 있어 어려움을 겪는다. 클래스 크기에 기반하여 노드를 우선순위화하거나 소수 클래스를 위해 새로운 노드를 합성하는 기존 해결책들은 이러한 불균형 문제를 효과적으로 다루지 못하는 경우가 많다. 본 논문은 중요도 측정을 위해 균형 잡힌 메타-세트(meta-set)를 활용하는 클래스 불균형 노드 분류 접근법을 제안한다. 학습 노드는 편향 없는(unbiased) 설정에서 모델 성능을 향상시키면 중요한 것으로 간주된다. 우리 방법은 클래스 불균형을 완화할 수 있는 중요한 노드를 식별하고 이를 모델 학습에 활용하여, 학습 과정 전반에 걸쳐 세밀하고 동적인 노드 선택을 가능하게 한다. 우리는 노드 중요도를 직접 평가하는 공식을 이론적으로 유도하여 계산 비용을 줄이고 노드 선택을 위한 직관적인 임계값을 제공한다. 이 지표를 바탕으로 편향 없는 맥락에서 모델 성능을 향상시키는 가치 있는 라벨링된 노드, 라벨 없는 노드, 합성 노드를 걸러내는 새로운 프레임워크를 개발한다. 이 프레임워크의 핵심 장점은 합성 노드 생성 과정과 필터링 과정을 분리하여 다양한 노드 생성 방법과의 호환성을 보장한다는 점이다. 또한 전체 특징 분포에 근접하는 고품질 메타-세트를 구성하는 전략을 도입하여 각 클래스의 견고한 대표성을 보장한다. 우리는 여러 데이터셋과 널리 쓰이는 GNN 아키텍처를 사용하여 NodeImport 프레임워크를 평가했으며, 기존 베이스라인 대비 우수함을 보였다. 결과는 클래스 불균형 완화에서 프레임워크의 유연성과 효과를 강조하며, 개선된 성과로 이어진다.

arXiv:2607.13737v1cs.LG

분자 특성 예측을 위한 양자 및 고전 토폴로지 정렬 아키텍처 구현

Implementations of Quantum and Classical Topology-Aligned Architectures for Molecular Property Prediction

양자화학에서 흔한 저데이터 및 자원 제약 환경에서 매개변수 효율적 학습은 핵심 목표이다. 본 연구에서는 모델 아키텍처가 분자 결합 그래프를 반영하는 토폴로지 정렬 바이어스를 제안한다. 원자는 고정된 계산 단위 레지스터에 매핑되고, 결합은 공유되는 학습 가능 매개변수를 통해 상호작용하는 쌍을 결정한다. 이 원리는 두 가지 아키텍처로 구현된다: 변분 양자 회로(Iso-QGNN)와 매개변수가 맞춰진 고전 메시지 전달 모델(Iso-CGNN). 두 모델은 QM9 벤치마크에서 HOMO-LUMO 및 쌍극자 모멘트 이진 분류 과제로 벤치마킹된다. 학습 가능 매개변수 64개로, 구현체는 gap 과제에서 검증 AUC가 약 0.88(양자), 0.91(고전)이며, 쌍극자 과제에서는 둘 다 약 0.78에 가깝다. 모델은 학습 분자 수 약 250개 이내에서 점근적 성능의 90%에 도달하며, 학습 내내 그래디언트 노름은 안정적이다. 이 결과는 토폴로지 정렬 바이어스가 QM9 규모에서 매개변수 효율성을 이끄는 핵심 요인임을 시사하며, 양자 머신러닝에서 맞춰진 기준선 벤치마킹에 함의를 갖는다.

arXiv:2607.13609v1cs.LG

방향 그래프 흐름으로부터 잠재 복원을 위한 게이지 불변, 매개변수 무감감 정규화

Gauge-Invariant, Parameter-Insensitive Regularization for Potential Recovery from Flow on Directed Graphs

방향 그래프에서 관측된 흐름으로부터 잠재 전위를 복원하는 문제(디리클레 경계를 갖는 이산 푸아송 문제)는 부적정(ill-posed)이며, 표준적인 해결책은 역효과를 낸다: 릿지 정규화는 게이지 무의미한 원점으로 수축하여 복원된 순서를 붕괴시키고 뒤집는다(심어 둔 정답(ground truth)에 대한 순위 상관계수 $+0.81\to-0.42$). 게이지 불변 그래프 디리클레 에너지는 이 위험을 제거하고 매개변수 무감감성을 제공한다: 추정치는 $\lambda$가 네 자릿수 스케일에 걸쳐 안정적인 반면, 릿지는 모든 $\lambda>0$에서 순서를 뒤집는다. 우리는 축소 해법이 SPD(대칭 양의 정부호)임을 증명하고, 릿지가 동적 범위를 붕괴시키는 바로 그 지점에서 동적 범위를 보존함을 보인다. 또한 푸아송 잔차만으로 흐름으로부터 흡수 경계를 국소화한다. $H^1$ 세미노름은 고전적이며, 새로운 점은 게이지 진단, 이로 얻는 매개변수 무감감성, 그리고 추출 방법에 대해 결과가 강건함을 보여주는 제거 실험(ablation)이다. 세 가지 공개 클릭스트림 코퍼스에서 게이지 불변 추정은 내부 동적 범위의 $28$--$41\%$를 유지하는 반면, 릿지는 $0.2\%$까지 붕괴한다. 동일한 게이지 불변성은 그래프 신경망에도 이어진다. 층마다 상수 모드를 중화하면 깊은 방향 GCN을 붕괴시키는 과평활화(oversmoothing)를 방지하며, 이 고전적 역문제를 그래프 학습의 핵심 질문과 연결한다.

arXiv:2607.13241v1cs.LG

EMAGN: 학습된 클러스터링을 통한 확장 가능한 교통량 예측을 위한 효율적 다중-어텐션 그래프 네트워크

EMAGN: Efficient Multi-Attention Graph Network via Learned Clustering for Scalable Traffic Forecasting

교통량 예측은 복잡하고 비선형적인 공간적·시간적 의존성으로 인해 매우 어려운 문제이다. 셀프-어텐션(self-attention) 메커니즘은 동적이고 장거리 의존성을 모델링하는 데 널리 채택되어 최첨단 성능을 달성해 왔지만, 이차(quadratic) 계산 및 메모리 복잡도로 인해 확장성이 제한된다. 이를 해결하기 위해, 빠른 고차원 가우시안 필터링 이론에서 영감을 받아 공간적 어텐션 메커니즘 자체를 선형화하는 효율적 다중-어텐션 그래프 네트워크(EMAGN)를 제안한다. 두 개의 학습된 클러스터링 행렬 C_k와 C_v가 키(key) 및 밸류(value) 벡터를 M개의 슈퍼-클러스터(super-cluster)로 적응적으로 묶어, 동적 의존성 모델링을 위한 어텐션의 유연성을 희생하지 않으면서 복잡도를 O(N^2 d)에서 O(NMd)로 줄인다. PEMS-BAY와 METR-LA에 대한 실험 결과, EMAGN은 전체-어텐션(full-attention) GMAN 대비 MAE 2.7–3.2% 이내의 정확도를 달성하면서 학습 시간을 32%, 추론 시간을 38%, GPU 메모리를 58% 줄인다. 특히 K=16 어텐션 헤드(attention head)에서 전체-어텐션 GMAN은 표준 11GB GPU에서 완전히 메모리가 부족해지지만 EMAGN은 계속 동작하며, 이는 실행 가능한 모델 구성의 질적 확장을 보여준다. EMAGN은 교통 네트워크 인식(traffic-network-aware) 적응형 클러스터링 덕분에 동일 백본(backbone) 내에서 Linformer와 Performer를 정확도와 효율성 모두에서 능가한다.

arXiv:2607.13108v1cs.LG

STKAN: 시공간 예측을 위한 Kolmogorov-Arnold Networks

STKAN: Kolmogorov-Arnold Networks for Spatio-Temporal Forecasting

실제 교통 데이터는 이질적인 공간 상관관계와 비선형 시간 역학을 보이며, 정확한 시공간 예측에 상당한 어려움을 초래한다. 기존 접근법들은 점점 더 정교한 그래프, 어텐션, 분해(decomposition) 아키텍처를 발전시켜 왔지만, 기반 비선형 함수 근사기의 영향은 상대적으로 덜 주목받아 왔다. 본 연구에서는 공간 및 시간 토큰 혼합에 Taylor 다항식 Kolmogorov-Arnold Network 모듈을 도입한 시공간 예측 아키텍처인 STKAN을 제안한다. STKAN은 먼저 학습 가능한 소프트 노드-그룹 할당 메커니즘을 통해 고수준 공간 표현을 구성하고, 그룹별 공간 혼합을 적용한 뒤 압축된 시퀀스에 대한 시간적 의존성을 모델링한다. 장거리 상호작용을 포착하기 위해 공간 및 시간 자기 어텐션(self-attention) 레이어도 추가로 사용한다. 5개의 교통 예측 벤치마크에 대한 실험에서 STKAN은 경쟁력 있는 성능을 달성하며, 테스트된 설정에서 평가된 MLP 기반 변형보다 우수한 성능을 보인다. 이러한 결과는 시공간 예측에서 비선형 함수 근사기 설계가 아키텍처 설계에 대한 유용한 보완이 될 수 있음을 시사한다.