PyTorchKR Papers

최신 논문

총 3,895편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2508.16403v3cs.LG

정확하고 데이터 효율적인 회로 성능 예측을 위한 RF 지식 기반 그래프 신경망

RF-Informed Graph Neural Networks for Accurate and Data-Efficient Circuit Performance Prediction

능동형 무선 주파수(RF) 회로의 성능을 정확히 예측하는 것은 현대 무선 시스템에 필수적이지만, 고도의 비선형 동작과 기존 시뮬레이션 도구의 높은 계산 비용으로 인해 여전히 어려운 과제로 남아 있다. 기존 기계학습(ML) 서로게이트 모델은 다양한 토폴로지에 일반화하기 위해 대규모 데이터셋을 요구하는 경우가 많거나, 홀드아웃(held-out) 회로에서 정확도가 떨어진다. 본 연구는 저잡음 증폭기(LNA), 믹서, 전압 제어 발진기(VCO), 전력 증폭기(PA), 전압 증폭기(VA)와 같은 능동형 RF 회로 클래스의 핵심 성능 지표를 예측하기 위한 경량화되고 데이터 효율적이며 토폴로지 인식 그래프 신경망(GNN) 프레임워크를 제안한다. 제안된 프레임워크는 RFIC 도메인 지식 기반 특징 인덱싱을 활용하여, 차동 쌍(differential pair) 및 바랙터(varactor) 트랜지스터와 같은 기능적 소자 의미론을 저비용으로 인코딩하고 효율적인 지식 전이를 통해 교차 토폴로지 적응성을 가능하게 한다. 서로게이트 모델은 회로를 소자 터미널 그래프 추상화로 표현하여 세밀한 연결성과 트랜지스터 수준의 대칭성을 보존한다. 최종 모델은 병렬 학습을 통해 다양한 클래스에 일반화된다. 실험 결과는 다중 모드 및 중꼬리(heavy-tailed) RF 성능 분포의 정확한 모델링을 보여주며, 19개 토폴로지에 걸쳐 평균 평균 상대 오차(MRE) 2.71%를 달성하고, 기존 연구 대비 3.3배 개선 및 학습 속도 20배 향상을 이루었으며, 홀드아웃 토폴로지에 대한 일반화는 약 26.2배 향상되었다. 또한 본 연구는 최신 기술 대비 약 36배의 학습 데이터 효율성을 보여주며, 확장 가능하고 배포 준비가 된 RF 설계 자동화에 대한 효과를 입증한다.

arXiv:2607.13449v1cs.CV

DreamSat-Pose: 단일 시점 3D 재구성 및 학습된 2D-3D 특징 매칭을 통한 우주선 자세 추정

DreamSat-Pose: Spacecraft Pose Estimation from Single-View 3D Reconstructions and Learned 2D-3D Feature Matching

6-DoF 자세 추정은 자율 접근 및 근접 운용에서 중요한 과제이다. 목표 대상이 알려지지 않은 경우, 대상 형상 모델의 재구성과 함께 수행해야 하므로 이 과제는 더욱 어려워진다. 본 논문에서는 알려지지 않은 우주선 객체에 대한 단일 샷(single-shot) 형상 및 자세 추정을 위한 새로운 프레임워크를 제안한다. 단일 이미지가 주어지면, 먼저 대상의 3D 형상 모델을 재구성한 다음, 밀집 2D-3D 대응을 학습하여 상대적인 6자유도 자세를 추정한다. 이미지 특징은 고정된(frozen) DINOv3 비전 트랜스포머로 추출하고, 기하학적 특징은 재구성된 포인트 클라우드에서 학습 가능한 동적 그래프 합성곱 신경망 인코더로 계산한다. 이중 스트림 트랜스포머 매처가 self-어텐션과 크로스 어텐션을 교대로 적용하여 디스크립터를 정제하고, 소프트 대응을 생성한 뒤 Perspective-$n$-Point(PnP) 솔버로 자세를 복원한다. SPE3R 데이터셋에서 방법을 평가하고, FoundationPose를 현재 최첨단 성능의 대표 기준선으로 삼았다. 결과적으로 단일 이미지와 재구성된 기하 정보만으로 평균 0.157도의 포인팅 오류를 달성하는 신뢰할 수 있는 자세 추정을 보여주었으며, 본 적 없는 우주선에 대해서도 강한 일반화 성능을 입증했다.

arXiv:2607.12062v2cs.CV

간 질환 분류를 위한 보완적 초음파 표현 학습

Learning from Complementary Ultrasound Representations for Liver Disease Classification

초음파를 이용해 비알코올성 지방성 간염(NASH)과 비알코올성 지방간 질환(NAFLD)을 구별하는 것은 미세한 조직 변화와 기존 B-mode 영상에서 얻을 수 있는 정보의 한계로 인해 여전히 어려운 과제이다. 본 연구에서는 동일한 촬영에서 얻은 보완적 초음파 표현이 NASH 대 NAFLD 분류를 개선할 수 있는지 조사한다. 구체적으로, 기존 B-mode 초음파와 물리 기반 및 국소 위상 기반 영상 표현을 결합하고, 자기지도 마스크드 오토인코더(MAE)와 그래프 합성곱 네트워크(GCN)를 사용하여 그 효과를 평가한다. 실험은 125명의 환자로부터 2,547건의 간 초음파 스캔으로 구성된 다기관 Mayo Clinic 코호트에서 수행되었다. 기존 B-mode 초음파만 사용한 경우와 비교할 때, 보완적 초음파 표현은 분류 성능을 일관되게 향상시켰으며, 정확도는 최대 32.4%, F1-score는 최대 91.2%까지 개선되었다. 또한 이러한 성능 향상은 연령대, 성별, 인종, 민족 및 촬영 기관 전반에 걸쳐 일관되게 관찰되었다.

arXiv:2607.13115v1cs.AI

그래프 기반 도구를 활용한 소형 언어 모델의 분자 특성 예측 개선

Improving Molecular Property Prediction in Small Language Models Using Graph-based Tools

소형 언어 모델(SLM)은 SMILES 문자열로부터 분자 특성을 제로샷으로 예측하는 데 가능성을 보여왔지만, 서열 표현이 핵심 그래프 위상(topological) 단서를 충분히 명시하지 못해 구조적 실명(structural blindness) 문제를 겪는 경우가 많다. 우리는 추론 시점에 에이전트적(agentic) 도구 사용을 가능하게 하는 모듈형 컨텍스트 증강 프롬프팅(Context-Augmented Prompting) 프레임워크를 제안한다. 학습된 GNN 전문가 모델이 신뢰도와 함께 예측 힌트를 제공하고, GNN이 인스턴스별 설명적 서브그래프(예: 서브그래프 SMILES와 이를 뒷받침하는 설명 단락)를 추출한다. MUTAG와 Tox21에서 SMILES만 사용하는 것부터 사용 가능한 모든 도구를 활용하는 것까지 다섯 가지 프롬프팅 구성 아래에서 세 가지 널리 쓰이는 SLM을 평가한다. 두 데이터셋에서 그래프에서 파생된 컨텍스트로 프롬프트를 풍부하게 하면 정확도가 크게 향상되며, 종종 25% 이상의 상대적 개선을 보이고 Tox21에서는 최대 74%에 이른다. 추출된 모티프(motif)의 기능적 관련성을 필요성 기반(necessity-based) edge-drop 개입을 통해 추가로 검증한다. 관찰된 성능 향상에도 불구하고, 특화된 GNN 모델과의 격차는 지속적으로 남아 있으며, 이는 분자 구조에 대한 텍스트 조건부 추론의 가치와 한계를 모두 부각한다.

arXiv:2603.11811v2cs.RO

RADAR: 의미 계획과 자율적 인과 환경 리셋을 통한 폐루프 로봇 데이터 생성

RADAR: Closed-Loop Robotic Data Generation via Semantic Planning and Autonomous Causal Environment Reset

대규모 물리 상호작용 데이터의 확보는 현대 로봇 학습의 핵심 전제 조건이지만, human-in-the-loop 수집 패러다임의 기하급수적인 비용과 확장성 한계로 인해 심각한 병목에 직면해 있다. 이 장벽을 허무르기 위해, 우리는 수집 사이클에서 인간 개입을 완전히 제거하는 완전 자율·폐루프 데이터 생성 엔진인 Robust Autonomous Data Acquisition for Robotics(RADAR)를 제안한다. RADAR는 인지 부하를 4개 모듈 파이프라인으로 우아하게 분할한다. 2~5개의 3D 인간 시연을 기하학적 사전지식으로 삼아, 비전-언어 모델이 먼저 정밀한 의미적 객체 그라운딩과 스킬 검색을 통해 장면 관련 과제 생성을 조율한다. 다음으로 그래프 신경망(GNN) 정책이 문맥 내 학습(ICL)을 통해 이러한 하위 과제를 물리적 행동으로 변환한다. 실행 후 VLM은 구조화된 시각적 질의응답(VQA) 파이프라인을 사용하여 자동화된 성공 평가를 수행한다. 마지막으로 수동 리셋의 병목을 깨기 위해, 유한 상태 기계(FSM)가 자율 환경 리셋과 비대칭 데이터 라우팅 메커니즘을 조율한다. 엄격한 후입선출(LIFO) 인과 시퀀스를 가진 동시 순방향-역방향 계획에 의해 구동되어, 시스템은 비구조화된 작업 공간을 매끄럽게 복원하고 실행 실패로부터 견고하게 복구한다. 이러한 지속적인 뇌-소뇌 시너지는 데이터 수집을 자체 지속 가능한 프로세스로 전환한다. 광범위한 평가는 RADAR의 탁월한 범용성을 부각한다. 시뮬레이션에서 우리 프레임워크는 복잡하고 장기적인 과제에서 최대 90%의 성공률을 달성하며, 전통적 베이스라인의 성능이 거의 0에 가까워지는 난제를 손쉽게 해결한다. 실제 환경 배포에서 시스템은 도메인 특화 미세조정 없이 퓨샷(few-shot) 적응을 통해 다양한 접촉 중심 스킬(예: 가변형 객체 조작)을 안정적으로 실행하며, 로봇 데이터 확보를 위한 고도로 확장 가능한 패러다임을 제공한다.

arXiv:2603.01311v3cs.CL

Catalyst-Agent: LLM 에이전트 기반 자율 이종 촉매 스크리닝

Catalyst-Agent: Autonomous heterogeneous catalyst screening with an LLM Agent

산소 환원 반응(ORR), 질소 환원 반응(NRR), CO2 환원 반응(CO2RR)과 같은 전기화학 응용을 위한 촉매 발견은 화학 및 재료과학의 핵심 과제로 남아 있다. 기계학습 원자간 전위(MLIP)와 그래프 신경망 모델은 이제 밀도 범함수 이론(DFT) 대비 개별 흡착 에너지 계산을 수量级으로 가속화한다. 그러나 진정한 대규모 스크리닝은 여전히 인간의 의사결정에 의해 막혀 있다: 후보 선택, 슬래브(slab) 구성, 흡착 부위 열거, 기술자(descriptor) 실패 해석, 후속 수정 선택 등이다. 여기서 우리는 Model Context Protocol(MCP) 서버 기반의 LLM 구동 에이전트인 Catalyst-Agent를 소개하며, 이는 폐루프(closed-loop) 촉매 스크리닝을 자율적으로 조율한다. Catalyst-Agent는 OPTIMADE를 통해 재료 데이터베이스를 검색하고, 슬래브를 구성하며, AdsorbML 내 Meta FAIRchem의 UMA MLIP를 사용해 흡착 에너지를 계산하고, 반응별 기술자를 평가하며, 구조적 수정을 적용해 근접 실패(near-miss) 후보를 정제한다. ORR, NRR, CO2RR 캠페인에서 Catalyst-Agent는 높은 성능을 보이며 성공적인 재료당 평균 1.40-3.41회 시도에서 수렴한다. 문헌에 이전에 보고되지 않았던 Sn3Sc, Sn3Y, Tl3La, Pb3Y, In3Y를 추가 검증을 위한 CO2RR 후보로 식별했다. DFT 단일점(single-point) 확인은 대표적인 NRR 및 CO2RR 후보에 대한 스크리닝 결과를 검증했다. 절제(ablation) 연구는 이러한 이득이 무차별적 평가가 아닌 화학적 정보에 기반한 후보 선택과 피드백 지향 수정에서 비롯됨을 보여준다: 완전 무작위 스크리닝은 ORR, NRR, CO2RR에 대해 각각 13.3%, 16.7%, 0%의 성공률로 떨어졌다. 이러한 결과는 도구에 기반한(tool-grounded) LLM 에이전트가 촉매 스크리닝을 수동 시행착오에서 보다 자율적이고 재현 가능하며 적응적인 워크플로로 전환할 수 있음을 보여준다.

arXiv:2607.12269v1cs.LG

양자 포트-해밀토니안 신경망: 측정 유도 비선형성을 통한 보수 및 소산 역학 학습

Quantum Port-Hamiltonian Neural Networks: Learning Conservative and Dissipative Dynamics via Measurement-Induced Nonlinearity

양자 포트-해밀토니안 신경망(Quantum Port-Hamiltonian Neural Networks, Q-pHNN)을 소개한다. Q-pHNN은 구조 보존 방식으로 고전 역학을 학습하는 매개변수화 양자 회로 계열이다. 이 프레임워크는 동형 해밀토니안 매핑(Isomorphic Hamiltonian Mapping, IHM)에 기반한다. 반대칭 상호연결 행렬 $\mathbf{J}$는 유니터리 게이트 진화에 대응하고, 양의 준반정 소산 행렬 $\mathbf{R}$은 회로 중간 측정과 고전 피드포워드로 구현되는 측정 유도 비선형성(Measurement-Induced NonLinearity, MINL)에 대응한다. 이를 통해 보존과 수동성이 페널티 항이 아니라 설계상 강제된다. IHM을 네 가지 아키텍처로 구현한다: (1) 보수적 에너지 다양체를 학습하고 매개변수 시프트 규칙(Parameter-Shift Rule)으로 해밀턴 방정식을 정확히 추출하는 양자 HNN; (2) 소산에 본 규칙 측정을 사용하는 Q-pHNN; (3) 에너지 ansatz와 감쇠 계수를 공동 학습하는 Q-pHNN; (4) $N$-노드 결합 위상자 네트워크를 위한 위상-얽힘 양자 그래프 신경망. 비선형 진자와 감쇠 조화 진동자에서의 실험은 다음을 보여준다: (i)~$1.35\%$ 상대 에너지 표류(심플렉틱 적분기와 스케일 보정 사용); (ii) MINL 회로에서 ~$100\%$ 에너지 단조성; (iii) 감쇠 계수에 대한 직접 지도 없이 벡터장 스냅샷으로부터 감쇠 계수를 식별할 때 ~$12.1\%$ 오차.

arXiv:2607.12067v1cs.LG

동적 그래프의 노드 친화도를 이용한 기관 주식 보유 예측

Institutional Equity Holdings Prediction Using Node Affinities of Dynamic Graphs

SEC Form 13F 제출 자료에 공개된 기관 주식 보유는 대형 투자 운용사의 포트폴리오 결정에 대한 풍부한 시계열 기록을 제공한다. 그러나 공시 지연, 보고 노이즈, 기관 행동의 강한 지속성(persistence) 때문에 미래 배분을 예측하고 미래 수요를 모델링하는 것은 여전히 어렵다. 우리는 시간적 그래프 머신러닝을 사용하여 이러한 작업을 위한 최초의 벤치마크를 도입하며, 전처리된 제출 자료에서 추출한 운용사와 증권의 이산 시간(temporal) 이분 그래프(bipartite graph)에서 보유 예측을 노드 친화도(node affinity) 예측, 즉 포트폴리오 비중 예측으로 정식화한다. 99명의 운용사와 S&P 500 지수(2013--2025년 48분기에 걸친 503개 증권, 209,351개의 시간적 엣지)로 구성된 샘플링된 데이터셋에서, Virtual State를 사용하는 Node Affinity 예측 모델(NAVIS)은 특징(features) 포함 시 최첨단 테스트 Normalized Discounted Cumulative Gain(NDCG) 0.9127(미포함 시 0.9121)을 달성하여, 모든 동적 그래프 표현 학습 경쟁 모델을 상당한 마진으로, 모든 휴리스틱 방법을 능가한다. 주목할 만하게, 단순한 지수 이동 평균(Exponential Moving Average) 기준선이 0.8882를 달성하여 NAVIS를 제외한 모든 동적 그래프 모델과 Persistent Forecast(0.8891)를 제외한 모든 휴리스틱을 능가하며, 이는 기관 포트폴리오의 강한 평활성(smoothness)과 지속성을 부각한다. 도메인 특화 노드 특징은 극히 미미한 향상(<1.2%)만 제공하며, 이는 13F 소유권 그래프의 시간적 및 구조적 신호가 이미 예측 가능한 정보의 대부분을 포착하고 있음을 시사한다. 실제 13F 데이터에 대해 특징 유무 모두에서 노드 친화도 예측 설정 하에 Temporal Graph Benchmark(TGB) 모델 무리를 벤치마킹함으로써, 본 연구는 보유 예측 및 포트폴리오 배분에서 시간적 그래프 머신러닝을 위한 재현 가능한 기반을 제공한다.

arXiv:2607.11896v1cs.LG

OmniPMNet: 옴니-쿼리 신경 프로세스를 통한 이산 및 격자 PM10 예보 연결

OmniPMNet: Bridging discrete and gridded PM10 forecasts via omni-query neural processes

미세먼지(PM10) 예보는 특히 강한 먼지 폭풍 시기에 관측소 단위 정확도와 연속적인 공간 분포를 모두 요구한다. 화학 수송 모델(CTM)은 격자 예보를 제공하지만 국지적 편향을 남기는 반면, 그래프 신경망(GNN)은 단기 예측 시점에서 모니터링 관측소를 잘 추적하지만 격자 출력을 생성하지 못한다. 여기서 우리는 공유 공간 표현 내에서 이 두 예보 유형을 조정하는 합성곱 조건부 신경 프로세스(ConvCNP) 기반 융합 모델인 OmniPM-Net을 제시한다. 지형 인식 가우시안 집합 합성곱은 불규칙한 GNN 관측소 예보를 정규 격자로 올리고, 다중 스케일 공간 소스 어텐션(SSA) 모듈이 이를 Copernicus Atmosphere Monitoring Service(CAMS) 예보와 혼합한다. 공유 옴니-쿼리 리드아웃은 이 표현을 108시간 구간에 걸쳐 관측소나 격자 셀에서 일관된 PM10 예측으로 디코딩한다. 2024년 전체를 대상으로 중국 전역 1,618개 대기질 모니터링 관측소에서 평가한 결과, OmniPM-Net은 더 강한 GNN 기준선의 관측소 수준 정확도와 일치하면서(평균 절대 오차 21.14 대 22.00 ug/m3) CAMS 평균 절대 오차를 30% 감소시켰고, 이산 GNN이 제공하지 못하는 격자 분포를 동시에 제공한다. 가장 뚜렷한 개선은 고농도 꼬리 영역에서 나타났다. 90백분위 MAE는 GNN 대비 9%, CAMS 대비 25% 감소했으며, 먼지 사건 기간 동안 범주형 탐지 기술을 개선하면서 진화하는 공간 궤적을 추적한다.

arXiv:2606.27201v2cs.LG

특징 유발 정보 흐름을 통한 시간 그래프 신경망 설명

Explaining Temporal Graph Neural Networks via Feature-induced Information Flow

이벤트 기반 시간 그래프 신경망(ETGNN)은 사회 네트워크 분석, 전염병 추적, 추천 시스템, 정치 이벤트 예측을 포함한 광범위한 응용 분야에서 강한 성능을 보여왔다. 그러나 그 복잡성이 증가함에 따라 설명 가능성(explainability)에 상당한 도전을 제기한다. 기존 설명 방법은 ETGNN 내 정보 흐름의 일부만을 다루며, 일반적으로 출력에 대한 이벤트 관련 임베딩의 기여를 추적한다. 따라서 노드 간 상호작용을 매개하며 장거리 시간 의존성을 포착하는 데 핵심적인 역할을 하는 이벤트 유발 변수(event-induced variables)를 통한 중요한 경로를 간과한다. 이 한계를 극복하기 위해, 우리는 모든 이벤트 관련 변수를 통한 전체 정보 흐름을 분석하는 새로운 귀속(attribution) 방법을 제안한다. 우리 방법은 최근 Normalized Relevance Measure(NRM) 프레임워크를 기반으로 하며, 이벤트 임베딩에서 기원하는 정보 흐름뿐만 아니라 이벤트 유발 변수를 통과하는 정보 흐름의 명시적 정량화를 가능하게 한다. 또한 레이어 간 잠재 변수의 비교 가능성을 보장하고, 이벤트 간 상호작용의 고차 분석을 지원한다. ETGNN의 아키텍처 복잡성을 처리하기 위해, 복잡한 신경 아키텍처에 대한 관련성 구조의 체계적 구성을 용이하게 하는 모듈식 분해 절차로 NRM 프레임워크를 확장한다. 우리는 전염병 추적과 사회 역학을 위한 두 개의 합성 데이터셋과 정치 이벤트 네트워크의 실제 데이터셋에서 접근법을 평가한다. 정성적 및 정량적 실험은 우리 방법이 기존 설명 접근법을 일관되게 능가하며 더 인간이 해석 가능한 설명을 생성함을 보여준다.

arXiv:2605.01625v3cs.LG

PRIME: 물리 정보 기반 다중 스케일 등변 계층을 통한 단백질 표현

PRIME: Protein Representation via Physics-Informed Multiscale Equivariant Hierarchies

단백질은 본질적으로 다중 스케일 물리 시스템으로, 기능적 특성은 원자 간 상호작용에서부터 전역 접힘 토폴로지에 이르기까지 여러 공간 해상도에 걸친 협조된 구조적 조직화로부터 창발한다. 그러나 기존 단백질 표현 학습 방법은 일반적으로 단일 구조 수준에서 동작하거나, 서로 다른 구조 정보 원천을 병렬 모달리티로 취급할 뿐, 이들 간의 계층적 관계를 명시적으로 모델링하지 않는다. 우리는 PRIME(물리 정보 기반 다중 스케일 등변 계층을 통한 단백질 표현)을 제안한다. 이는 단백질을 표면, 원자, 잔기, 2차 구조, 단백질 수준에 걸친 5개의 물리적으로 근거한 구조 그래프의 중첩 패밀리로 모델링하는 통합 프레임워크이다. 인접 수준은 결정론적이고 물리 정보 기반의 할당 연산자를 통해 연결되며, 상향식 집계와 하향식 맥락 정제를 통해 양방향 정보 교환을 가능하게 한다. 표준 단백질 표현 학습 벤치마크에 대한 실험은 다양한 과제에서 강력하고 경쟁력 있는 성능을 보여주며, 특히 Fold Classification 벤치마크에서 두드러진 향상을 보인다. PRIME은 더 어려운 Superfamily 및 Fold 분할에서 가장 강력한 기하 GNN 기준선을 13.80점과 18.30점 차이로 능가하며, Reaction Class 예측에서 84.10%의 최첨단 정확도를 달성하여 ESM을 포함한 모든 기준선 방법을 능가한다. 제거 연구는 각 구조 수준이 상호 보완적이고 중복되지 않는 정보를 기여함을 확인하며, 적응형 교차 어텐션 분석은 PRIME이 예측 시점에 가장 과제 관련적인 구조 해상도를 자율적으로 식별함을 보여준다. 소스 코드는 https://github.com/HySonLab/PRIME 에서 공개적으로 이용할 수 있다.

arXiv:2512.01113v2cs.LG

멀티태스크 알고리즘적 추론을 위한 분기 신경망의 효율적 학습

Efficiently Learning Branching Networks for Multitask Algorithmic Reasoning

알고리즘적 추론(algorithmic reasoning)은 단계별 논리적 추론을 수행하는 능력으로, 그래프 신경망과 트랜스포머 모델을 위해 설계된 다단계 추론 능력을 평가하는 합성 벤치마크이다. 기존 연구는 단일 알고리즘 과제를 실행하는 추론을 평가해 왔지만, 더 바람직한 목표는 여러 알고리즘적 추론 과제를 동시에 수행하는 것이다. 우리는 이것이 알고리즘의 실행 추적(execution traces)에서 발생하는 차이(예: 깊이 우선 대 너비 우선 탐색)로 인해 본질적으로 어렵다는 점을 먼저 지적한다. 이러한 차이는 함께 학습될 때 간섭을 유발한다. 본 논문에서는 멀티태스크 알고리즘적 추론을 위한 새로운 아키텍처인 분기 신경망(branching neural networks)을 제안한다. 핵심 아이디어는 $n$개의 알고리즘 과제를 $L$개 층으로 나눈 $k$-진 트리로 재귀적 트리 구조 분할을 탐색하는 것이다. 단순 탐색은 $O(k^{nL})$ 복잡도를 필요로 한다. 우리는 각 층에서 볼록 완화(convex relaxation)를 풀어 최적 분할을 근사함으로써 이를 $O(nL)$로 줄이는 알고리즘을 개발한다. 우리의 접근법은 그래디언트 기반 친화도(affinity)를 사용하여 이러한 과제들을 클러스터링하며, 어떤 기본 모델 위에서도 사용할 수 있다. 우리는 알고리즘적 추론 벤치마크와 텍스트 설명이 추가된 확장 버전에서 접근법을 검증한다. 그래디언트 기반 친화도 점수가 최대 340억 개의 파라미터를 갖는 8가지 서로 다른 아키텍처에 걸쳐 측정했을 때, 5% 미만의 오차로 실제 성능을 추정하는 데 도움이 됨을 보인다. CLRS 벤치마크에서 우리의 접근법은 기존 그래프 신경망보다 3.7%, 기준선보다 1.2% 우수한 성능을 보이면서, 실행 시간을 48%, 메모리 사용량을 26% 줄인다. 학습된 분기 구조는 관련 알고리즘의 계층적 클러스터링을 보여준다. 세 가지 텍스트 기반 그래프 추론 벤치마크에서 우리의 접근법은 기준선 방법보다 3.2% 향상된다. 마지막으로, 겹치는 커뮤니티 탐지(overlapping community detection)에 대해서도 접근법을 검증한다.

arXiv:2607.12379v1cs.CV

SeamGen: 그래프 플로 매칭을 통한 아티스트 정렬 UV 시임 생성

SeamGen: Artist-Aligned UV Seam Generation via Graph Flow Matching

UV 시임 배치는 3D 콘텐츠 제작에서 핵심적이면서도 노동 집약적인 단계로, 아티스트가 차트 형태, 시임 은폐, 의미적·기하학적 특징과의 정렬 사이의 균형을 맞춰야 한다. 기존 자동화 방법은 주로 객체별 최적화에 기반하며, 왜곡을 피하기 위한 수작업 목표함수나 의미 정보를 주입하기 위한 사전학습 모델의 프록시에 의존한다. 그러나 이러한 전략은 산업 생산 파이프라인에서 사용되는 시임과 항상 잘 맞지 않으며, 종종 아티스트가 선호하는 시임 패턴 및 실무 생산 요구사항에서 벗어난 레이아웃을 초래한다. 이러한 한계를 해결하기 위해, 우리는 아티스트 선호와 생산 요구사항에 맞춘 UV 시임 생성을 위한 생성 모델인 SeamGen을 제안한다. 수동으로 설계된 목표와 제약에 의존하는 대신, SeamGen은 플로 매칭 생성 모델을 사용하여 대규모 기존 시임 레이아웃 코퍼스로부터 엣지별 시임 레이블의 분포를 학습한다. 핵심 과제는 플로 매칭 모델에서 사용되는 일반적인 트랜스포머 아키텍처가 포인트 클라우드와 같은 순차 표현을 위해 설계되어 메시 토폴로지를 자연스럽게 반영할 수 없다는 점이다. 메시 네이티브 학습을 가능하게 하기 위해, 우리는 메시 엣지에 대한 지역 그래프 어텐션과 정점에 걸친 전역 셀프 어텐션을 교차 배치하는 Mesh Transformer 백본을 설계하여, 세밀한 기하학적 단서와 장거리 토폴로지 일관성을 모두 포착한다. 추론 시점 제어 가능성과 품질을 더욱 향상시키기 위해, 우리는 국소 시임 정제와 제약 기반 시임 생성 모두에 대해 플로 모델의 학습 없는 인페인팅 기능을 활용한다. 광범위한 실험 결과, 전문 시임 레이아웃 데이터로부터 사전 분포를 학습함으로써 SeamGen은 아티스트가 작성한 선호에 더 잘 부합하는 UV 레이아웃을 생성하며, 왜곡 기반 및 시맨틱 프록시 베이스라인 대비 우수한 지각 품질을 달성함을 보여준다.

arXiv:2607.10664v1stat.ML

원자간 포텐셜을 위한 방사형 회전 어텐션을 갖춘 에지 클러스터 확장

Edge Cluster Expansion with Radial Rotary Attention for Interatomic Potentials

본 논문에서는 기계학습 원자간 포텐셜(MLIP)에 대한 SO(2) 이론을 체계적으로 조사하고, 기존 SO(2) 선형 아키텍처가 SO(3) Clebsch-Gordan 텐서 곱(CGTP)에 비해 갖는 한계를 규명한다. 이러한 통찰을 바탕으로, Wigner D-행렬의 직접적인 데카르트 구성 및 재귀적 Clebsch-Gordan 구성을 제안하고 두 가지 새로운 상호작용 빌딩 블록을 소개한다. 첫째, 일반화된 비대칭 수축(Generalized Asymmetric Contraction)에 기반한 에지 복소 곱 기저(Edge Complex Product Basis)를 제안한다. 이는 복소값 등변 곱셈을 통해 에지 위의 고차 상호작용을 직접 구성하는 다체 전개(many-body expansion)의 새로운 공식화이다. 둘째, 외삽 성능을 향상시키고 기존의 어텐션 벡터 공식화를 능가하는 방사형 회전 복소 어텐션(Radial Rotary Complex Attention, RRA)을 소개한다. 또한 원자 클러스터 확장(Atomic Cluster Expansion) 모듈에 여러 개선 사항을 도입한다. 이러한 발전을 바탕으로, OMat24, sAlex, MPTrj에서 모델을 학습시키고 Matbench Discovery에서 최첨단(SOTA) 성능을 달성하는 TECE-OAM-RRA-1.0을 소개한다.

arXiv:2607.07032v2cs.LG

에르미트 블록 크릴로프 부분공간을 통한 유향 그래프의 고유기저 독립적 학습 가능한 스펙트럴 위치 인코딩

Eigenbasis-Independent Learnable Spectral Positional Encodings for Directed Graphs via Hermitian Block Krylov Subspaces

유향 그래프를 위한 스펙트럴 위치 인코딩(PE)은 두 가지 장애물에 직면한다: 자기 라플라시안(magnetic Laplacian)은 각 포텐셜마다 O(n^3)의 에르미트 고유분해를 필요로 하며, 그 복소 고유벡터는 유니타리 게이지까지만 정의되는데, 선행 연구들은 이를 기저 불변 아키텍처로 처리한다. 우리는 h_θ(A_q) R 형태의 학습 가능한 스펙트럴 PE를 제안한다. 여기서 A_q는 정규화된 자기 연산자, h_θ는 학습 가능한 스칼라 스펙트럴 응답, R은 랜덤 프로브 블록이다. PE는 연산자의 행렬 함수이므로 구성상 게이지 불변성을 가진다. 이를 희소 행렬-벡터 곱만을 사용하는 에르미트 블록 크릴로프 부분공간에서 계산하며, 열-레졸벤트(heat-resolvent) 응답 패밀리에 걸쳐 균일하게 k = O(log(1/ε))개의 블록 단계로 충분함을 증명하고, 저차원 구조화 패밀리가 고유값별 자유 가중치가 과적합되는 곳에서 일반화되는 이유에 대한 커버링 수(covering-number) 논거를 제시한다. 구성상 대칭화가 무정보적인 유향 확률적 블록 모델(SBM)에서, 방향 무시 PE는 우연 수준에 머무는 반면 자기 크릴로프(magnetic Krylov) PE는 깊이가 증가함에 따라 정확한 고유분해 오라클에 수렴한다. 동일한 프로브는 1/√s 몬테카를로 오차를 가진 게이지 불변 쌍별 특징을 산출하며, 무향 q=0 경우는 PE 없음 및 다항식 기준선(baseline) 대비 이종성(heterophilous) 벤치마크에서 성능을 향상시킨다.

arXiv:2607.05153v2stat.ML

기하학적 인과 모델

Geometric Causal Models

기하학적 인과 모델(GCM)은 공간·네트워크·분자 데이터와 같이 독립 동일 분포(i.i.d.)를 따르지 않는 구조화된 데이터에서 인과 추론을 수행하기 위해, 데이터 생성 과정의 대칭성을 군론(group theory)으로 형식화한 통합 프레임워크다. 에르고딕 이론으로 인과 식별을 보장하고 기하학적 심층 학습과 베이즈 추론을 결합한 추정 방법을 제시하며, DNA 대칭성을 만족하는 GCM을 구성해 유전적 변이 효과를 추정하는 데 적용했다.

arXiv:2607.11754v1cs.CV

고차 세포 추적 트랜스포머

Higher-Order Cell Tracking Transformer

라이브 이미징 현미경에서 계통(lineage)을 재구성하려면 세포 분열을 포함하여 시간에 걸쳐 세포 검출 결과를 연결해야 합니다. 일반적인 접근 방식은 후보 그래프를 구성하고 프레임 간 세포 분할(노드)을 연결하는 것입니다. 그러나 이러한 기존 방법들은 후보 추적 그래프에 존재하는 두 가지 구조적 문제를 간과합니다: (i) 세포 분열이 노드 임베딩 공간에서 서로 다른 계통 경로를 얽히게 하고, (ii) 노드를 공유하는 에지들의 레이블 일치도가 거의 무작위에 가까워 후보 그래프 위상이 그래프 신경망이 집계할 유용한 정보를 제공하지 못합니다. 우리는 고차 세포 추적 트랜스포머(HOCT)를 제안합니다. 이는 에지 중심(edge-centric) 아키텍처로, 후보 세포 링크들이 3D 기하학적 사전(geometric prior) 하에서 서로 어텐션을 수행함으로써 두 가지 문제를 모두 해결합니다. Cell Tracking Challenge와 박테리아 분열 벤치마크에서 평가한 결과, HOCT는 심층 사전학습 이미지 인코더 없이 최첨단 성능을 달성합니다. 또한 제안된 방법은 미세조정이 더 용이하여, 휴먼-인-더-루프(human-in-the-loop) 환경에서 400개의 어노테이션만으로 추적 오류를 59% 빠르게 감소시키며, 경쟁 트랜스포머 기준선의 LoRA 미세조정 대비 6.75% 향상된 성능을 보입니다.

arXiv:2607.10984v1cs.CV

EquiFusion: 등변 잠재 확산을 통한 운동학 무관 인체 동작 예측

EquiFusion: Kinematics-Agnostic Human Motion Prediction via Equivariant Latent Diffusion

기존의 확률적 3D 인체 동작 예측 모델들은 스켈레톤 운동학을 하드코딩함으로써 근본적인 제약을 받아, 일반화를 심각하게 저해하고, 교차 데이터셋 학습을 방해하며, 복잡한 데이터 리타겟팅을 요구한다. 우리는 이 병목 문제를 해결하는 최초의 운동학 무관(kinematics-agnostic) 모델인 EquiFusion을 소개하며, 순열 등변(permutation equivariant) 아키텍처를 갖춘 잠재 확산 모델을 구현한다. EquiFusion은 운동학의 연결성을 명시적 입력 매개변수로 처리하여, 내부 연산이 관절 순서와 그래프 구조에 본질적으로 무관하도록 보장한다. 이 새로운 설계는 미관찰 운동학에 대한 진정한 교차 데이터셋 일반화를 가능하게 하고, 부분적이거나 가려진 관측으로부터의 동작 예측 및 특정 사지 생성과 같은 새로운 제로샷(zero-shot) 방향을 열어준다. EquiFusion은 주요 벤치마크에서 최신 기술 수준(state-of-the-art)의 결과를 달성하며, 이전의 운동학 특화 방법들보다 최대 75% 더 컴팩트하면서도 더 빠른 학습 및 추론을 실현한다. EquiFusion은 이로써 강건한 인체 동작 예측을 위한 새롭고 유연한 표준을 확립한다. 모델과 학습 코드는 https://ceveloper.github.io/publications/equifusion/ 에서 확인할 수 있다.

arXiv:2607.09788v1cs.CV

MVMGNN: 구조적 MRI를 이용한 알츠하이머 질환 진단을 위한 다중 뷰 마스킹 그래프 신경망

MVMGNN;Multi-View Masked Graph Neural Network for Alzheimer's Disease Diagnosis using Structural MRI

알츠하이머 질환(AD)은 흔한 신경퇴행성 장애로, 조기 진단은 질병 진행을 늦추고 적시에 개입하는 데 있어 매우 중요하다. 경도 인지 장애(MCI)는 인지적으로 정상적인 노화와 AD 사이의 중간 임상 단계를 나타낸다. 구조적 자기공명영상(sMRI)은 해부학적 구조를 상세히 특성화하며 AD 관련 뇌 분석에서 중요한 역할을 한다. 그러나 기존의 sMRI 기반 뇌 네트워크 방법은 단일 그래프 구성 전략에 의존하는 경우가 많아 뇌 영역 간의 공간적 관계와 형태적 유사성을 함께 포착하는 능력이 제한된다. 이러한 문제를 해결하기 위해 본 논문은 AD 진단을 위한 sMRI 기반 다중 뷰 마스킹 그래프 신경망 모델(MVMGNN)을 제안한다. 라디오믹스(radiomics) 특징 차원과 구조적 연결을 동시에 선택하여 그래프 학습 중 중복성을 줄이기 위한 노드-엣지 결합 마스킹 메커니즘을 제안한다. 또한 다중 뷰 표현을 통합하기 위한 환자 수준의 교차 뷰 게이트 융합 메커니즘을 제안한다. ADNI 데이터셋에 대한 실험 결과, MVMGNN이 AD 분류에서 여러 경쟁 방법보다 우수한 성능을 보임을 입증한다. 해석 가능성 분석을 통해 MVMGNN이 AD와 관련된 주요 뇌 영역을 식별할 수 있음을 추가로 확인하였으며, sMRI 기반 뇌 네트워크의 판별 패턴에 대한 유용한 통찰을 제공한다. 구현 코드는 https://github.com/chenzhao2023/MVMGNN_AD 에서 공개적으로 이용 가능하다.

arXiv:2607.09777v1cs.CV

Time Imprint: 멀티모달 지식 그래프에서 시간 인식 표현 학습

Time Imprint: Learning Time-Aware Representations in Multi-Modal Knowledge Graphs

멀티모달 지식 그래프(Multi-Modal Knowledge Graphs, MMKGs)는 텍스트와 이미지 등 다양한 모달리티로 엔티티를 풍부하게 표현하지만, 멀티모달 특징이 매우 유사한 엔티티는 구별하기 어렵다. 엔티티의 시간 정보는 이러한 엔티티를 disambiguate하는 추가 모달리티로 활용될 수 있으나, 두 가지 주요 과제로 인해 기존 접근법들은 시간을 텍스트·이미지와 동등한 별도의 모달리티로 다루는 경우가 드물다: (1) 희소한 시간적 의미론(sparse temporal semantics)은 더 풍부한 모달리티와의 정렬을 방해하며, (2) 다중 타임스탬프는 표현 학습(representation learning)에 노이즈를 유발하거나 견고성을 저하시킨다. 이러한 과제를 해결하기 위해 우리는 Time Imprint를 제안한다. 이는 시간을 엔티티 수준의 모달리티로 취급하고, 세 가지 관점의 대조 목적함수(three-view contrastive objective)를 통해 시간적·텍스트적·시각적 표현을 공동으로 정렬하는 프레임워크이다. 또한 다중 타임스탬프의 모호성을 완화하기 위해, Time Imprint는 컴팩트한 타임스탬프 부분집합 선택 설계 공간을 탐구하고, 선택된 타임스탬프를 어텐션 풀링으로 집계하여 시간적 특수성과 견고성의 균형을 갖춘 판별적 시간 임베딩을 생성한다. 세 가지 MMKG 벤치마크에서의 실험 결과, Time Imprint는 링크 예측(link prediction)에서 최첨단 성능을 달성하며, 전체적으로 Hits@1을 최대 6.07% 향상시키고, 상위 1% 모호성 샘플 부분집합에서는 최대 58%의 성능 향상을 보인다. 또한 다양한 융합 전략과 타임스탬프 가용성·품질에 대한 민감도를 분석하여, 모달리티로서의 시간이 언제, 왜 가장 유익한지를 규명하며, 학습 오버헤드는 소폭만 증가시킨다. 코드는 https://anonymous.4open.science/r/Time-Imprint 에서 공개한다.