PyTorchKR Papers

최신 논문

총 3,895편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.11084v1cs.AI

NVAITC AI 과학자: 거버넌스 기반 엔드투엔드 연구 시스템 -- 고혈압 GWAS 사례 연구

NVAITC AI Scientist: A Governed End-to-End Research System -- A Hypertension GWAS Case Study

에이전트 기반 연구 시스템은 고립된 모델 추론, 코드 생성, 통계 분석을 넘어 과학적 워크플로우를 조율하는 새로운 패러다임으로 부상하고 있다. 그러나 기관 바이오메디컬 환경에 배포하려면 연구 계획, 데이터 접근, 워크플로우 오케스트레이션, 증거 추적, 재현성, 인간 감독을 위한 거버넌스 메커니즘이 요구된다. 본 논문에서는 보호 데이터를 기관 프라이버시 경계 내에 유지하면서 범도메인 과학적 워크플로우를 지원하도록 설계된 거버넌스 기반 엔드투엔드 에이전트 연구 시스템인 NVAITC AI Scientist(NAIS)를 제시한다. NAIS는 제안서 검토, 실행 계획, 거버넌스 기반 컴퓨팅 라우팅, 재현 가능한 워크플로우 오케스트레이션, 증거 생성, 과학자 참여 감독을 통합한다. 우리는 집계 전용 데이터 정책 하에 병원 연계 유전자형 및 전자건강기록(EHR) 데이터 286,422명을 활용한 실제 고혈압 전장유전체 연관 연구(GWAS)에서 NAIS를 검증한다. 에이전트는 코호트 추출을 계획하고, GWAS 실행을 오케스트레이션하며, 품질 관리 요약을 생성하고, 출판 지향 출력물을 초안 작성하였다. 인간-AI 검토를 통해 표현형 불일치가 식별되었고, 고혈압 정의의 반복적 개선이 이루어졌다. 조정 후 에이전트 오케스트레이션 GWAS는 FGF5, ATP2B1, CNNM2, FTO, GRB14를 포함한 기존 고혈압 유전자좌를 재현하였으며, FGF5에서 $-\log_{10}(p) \sim 70$의 가장 강한 신호가 확인되었다. 부차적 시연으로, NAIS는 약물 유발 간 손상 예측 워크플로우도 지원하여 멀티모달 그래프 신경망 AUC 0.842를 달성하였다. 이러한 결과는 거버넌스 기반 에이전트 연구 시스템이 전문가 주도 워크플로우에 필적하는 출력물을 생성하면서 확장 가능한 AI 보조 바이오메디컬 발견을 지원할 수 있음을 보여준다.

arXiv:2607.10159v1cs.AI

UNIT: 그래프 연속 학습을 위한 대규모 언어 모델의 잠재력 발휘

UNIT: Unleash Large Language Models Potential for Graph Continual Learning

실세계 멀티모달 웹 시나리오에서 그래프 구조 데이터는 스트리밍 방식으로 도착하는 경우가 많아, 그래프 연속 학습(graph continual learning)은 이러한 진화하는 구조를 지속적으로 모델링하기 위한 중요한 패러다임이다. 그러나 기존의 그래프 연속 학습 방법은 두 가지 근본적인 과제에 직면해 있다. 1) 의미-구조 분리(semantic-structural separation): 그래프 기반 방법은 위상적 관계 모델링에 뛰어나지만 심층 의미론을 소홀히 한다. 2) 불균형한 지식 전이(imbalanced knowledge transfer): 기존 모델은 초기 태스크에서 획득한 일반 지식을 이후 새로운 태스크에 효과적으로 활용하지 못한다. 이러한 문제를 해결하기 위해, 우리는 그래프 연속 학습을 위한 대규모 언어 모델의 잠재력 발휘 프레임워크인 UNIT을 제안한다. 첫 번째 태스크에서만 대규모 언어 모델(LLM)을 미세조정함으로써, 사전학습된 LLM 코퍼스와 대상 태스크 데이터셋 간의 분포 격차를 해소하여 그래프 구조 태스크에 대한 LLM의 적응성을 향상시킨다. 또한, 태스크 전반에 걸쳐 대표적인 지식을 효과적으로 보존하고 이전 태스크에서 학습한 보편적 지식이 간과되는 것을 방지하기 위해 불확실성 인식 앵커 생성 메커니즘(uncertain-aware anchor generation mechanism)을 제안한다. 더불어, 의미 정보에 그래프 위상 정보를 명시적으로 통합하여 의미 이해와 구조 모델링 간의 협업 능력을 강화하는 구조적 융합 모델링(structural confluence modeling)을 도입한다. 광범위한 실험을 통해 제안하는 방법이 그래프 연속 학습 태스크에서 최첨단(state-of-the-art) 성능을 달성함을 입증한다.

arXiv:2607.09760v1eess.SP

물리 정보 기반 구조 앵커링과 캡처 인식 프로토타입 교정을 통한 교차 환경 RF 핑거프린팅

Physics-Informed Structure Anchoring With Capture-Aware Prototype Calibration for Cross-Environment RF Fingerprinting

무선 주파수 핑거프린트 식별(RFFI)은 송신기 고유의 하드웨어 불완전성을 사물인터넷(IoT) 기기의 물리 계층 신원 단서로 활용하지만, 심층 RFFI 모델은 수집 환경이 바뀔 때 성능이 저하되는 경우가 많다. 다중 안테나 수신 환경에서 이러한 성능 저하는 단순한 일반적 분포 이동에 그치지 않는다. 이는 수신기 배열 위상, 주파수 오프셋 동역학, 캡처 의존적 목표 구조에도 영향을 받으며, 임베딩을 왜곡하고 소스 도메인에서 학습된 결정 경계를 이동시킬 수 있다. 본 논문은 소스 표현 앵커링과 고정 백본 기반 타겟 교정을 분리하는 프레임워크인 물리 정보 기반 구조 앵커링 및 캡처 인식 프로토타입 교정(PISA-CAPC)을 제안한다. 표현 단계에서는 위상 그래프로 안테나 토큰을 구성하고, CFO에서 도출된 수집 동역학 디스크립터를 이용하여 그래프를 변조한다. 이후 신원 표현 주변에 경계 있는 문맥적 잔차 억제를 적용한다. 배포 시, 비레이블 캡처 인식 프로토타입 교정(U-CAPC)은 고정된 표현 하에서 캡처 로컬 프로토타입 증거를 통해 타겟 결정 점수를 교정함으로써, 타겟 도메인 백본 업데이트나 타겟 레이블 없이 결정 경계 이동을 완화한다. 10개 송신기 다중 안테나 WiFi 벤치마크 실측 데이터에서 PISA-CAPC는 균형 트랜스덕티브 설정 하에 타겟 도메인 평균 Macro-F1 0.9257을 달성한다. 절제 실험을 통해 위상 유도 구조 앵커링, 문맥적 잔차 억제, 캡처 인식 교정이 각각 상호 보완적인 성능 향상에 기여함을 확인하였다. 이러한 결과는 PISA-CAPC가 물리적으로 동기화된 표현 학습과 레이블 없는 캡처 인식 결정 교정을 결합하여 교차 환경 RFFI를 위한 고정 백본 방식으로서의 가능성을 입증한다.

arXiv:2607.09741v1cs.RO

SWIFT: 자율주행 흐름 인식 궤적 예측을 위한 소세계 상호작용 프레임워크

SWIFT: A Small-World Interaction Framework for Flow-Aware Trajectory Prediction in Autonomous Driving

자율주행에서 정확한 궤적 예측은 교통 에이전트 간의 동적이고 맥락 의존적인 상호작용을 모델링하는 데 달려 있다. 그러나 기존 접근법의 대부분은 순수하게 데이터 기반이며 구조적 사전 지식이 부재하여, 분포 변화 상황에서의 일반화 능력이 제한된다. 본 연구에서는 교통 네트워크의 구조와 역학을 통해 상호작용 모델링을 재검토하고, 소세계 네트워크와 교통 흐름 이론을 통합하는 통합 프레임워크인 SWIFT(Small-World Interaction Framework for Trajectory prediction)를 제안한다. SWIFT는 지역적 및 전역적 의존성을 모두 포착하는 소세계 상호작용 네트워크와, 장면 수준의 교통 상태에 따라 상호작용 구조를 적응시키는 흐름 체계 인코더(Flow Regime Encoder)를 통해 구조적 귀납 편향을 도입한다. 상호작용 추론은 직접적 및 고차 에이전트 관계를 명시적으로 인코딩하는 다중 관계 그래프 모듈을 통해 더욱 강화된다. nuScenes, MoCAD, NGSIM 세 가지 실세계 데이터셋에 대한 광범위한 실험 결과, SWIFT는 다양한 교통 체계에 걸쳐 예측 정확도 면에서 강력한 기준 모델들을 일관되게 능가함을 보여준다. 정확도를 넘어, SWIFT는 미관측 위치 및 체계에 대한 향상된 일반화 능력, 잡음이 포함된 관측 하에서의 강건성, 그리고 제한된 학습 데이터에서도 우수한 성능을 나타내며, 구조 인식 설계의 효과성을 뒷받침한다.

arXiv:2607.09740v1cs.AI

다중 상호작용 차량의 장면 수준 차선 변경 의도 및 궤적 예측을 위한 동적 장면 상호작용 추론 프레임워크

A Dynamic Scene Interaction Reasoning Framework for Scene-level Lane-Change Intention and Trajectory Prediction of Multiple Interacting Vehicles

첨단 운전자 보조 시스템과 자율주행 차량의 안전한 모션 플래닝은 주변 교통 장면이 어떻게 변화할지에 대한 정확한 이해를 필요로 한다. 그러나 기존의 많은 차선 변경 예측 방법은 단일 대상 차량에 중점을 두고 있으며, 다중 에이전트 예측 접근법은 흔히 미래 위치만으로 장면 변화를 기술하고 각 차량과 관련된 조작 기동에 대한 명시적 정보를 제한적으로 제공한다. 본 연구는 국지적 교통 장면 내 모든 관련 차량의 차선 변경 의도 및 미래 궤적을 예측하는 동적 장면 그래프 어텐션 프레임워크를 제안한다. 장면은 시변(time-varying) 상호작용 그래프로 표현되며, 차량은 노드로 모델링되고 공간적·운동학적 관계는 명시적 엣지 특징을 통해 인코딩된다. 시간적 그래프 어텐션 메시지 패싱은 변화하는 차량 간 의존성과 기동 전 단서를 포착하며, 의도 기반 디코더는 예측된 각 기동을 해당 미래 모션에 연결한다. 장면 수준 일관성 목적함수는 다중 차량의 호환 가능한 미래 상태를 추가로 장려한다. NGSIM I-80, NGSIM US-101, highD 데이터셋에 대한 실험은 경쟁 기준선 대비 일관된 성능 향상을 보인다. DSiGAT는 NGSIM I-80 및 US-101에서 각각 90.12% 및 90.97%의 의도 예측 정확도를 달성하고, 가장 강력한 기준선 대비 궤적 RMSE를 최대 52.94%까지 감소시킨다. 또한 에이전트 간 충돌률 및 결합 변위 오류가 낮아 보다 일관된 장면 수준 예측을 나타낸다. 제거 연구(ablation), 민감도, 강건성 및 정성적 분석은 제안된 구성요소의 기여도와 장면 중심 공식화의 효과성을 추가로 검증한다.

arXiv:2607.09708v1cs.AI

GES-TSP: TSP를 위한 그래프 엣지 희소화

GES-TSP: Graph Edge Sparsification for TSP

외판원 문제(TSP)의 대규모 인스턴스를 정확하게 푸는 것은 계산 비용이 많이 든다. 연구자들은 계산 효율성을 높이기 위해 그래프 희소화(sparsification) 방법을 자주 활용한다. 전통적인 희소화 방법은 주로 고정된 휴리스틱에 의존하며 인스턴스별 구조적 정보를 충분히 활용하지 못한다. 본 논문에서는 유클리드 TSP를 위한 학습 기반 희소화 접근법인 그래프 엣지 희소화(GES, Graph Edge Sparsification)를 제안한다. 기하학적 구조 정보와 조합 최적화 기술을 결합하여, 제안된 방법은 서로 다른 인스턴스에 대해 희소화 그래프를 적응적으로 생성하며, 그래프 크기를 크게 줄이고 풀이 과정을 가속화한다. 실험 결과, 본 희소화 방법은 MATILDA 데이터셋에서 엣지의 최대 95%를 가지치기하면서도 솔루션 갭을 최적값의 1% 이내로 유지함을 보여준다. 또한, 본 접근법은 TSPLIB 벤치마크에서 강력한 일반화 능력을 나타낸다. 일부 대규모 인스턴스에서는 가지치기 비율이 99%를 초과하면서도 최적성 갭이 1% 미만으로 유지된다.

arXiv:2512.09586v2quant-ph

불확실성 보정 대리 모델을 활용한 양자 회로 아키텍처 탐색을 위한 그래프 기반 베이즈 최적화

Graph-Based Bayesian Optimization for Quantum Circuit Architecture Search with Uncertainty Calibrated Surrogates

양자 회로 설계는 복잡한 실제 데이터에 대한 실용적인 양자 머신러닝의 핵심 병목 요소입니다. 본 논문에서는 그래프 신경망(GNN) 대리 모델을 활용한 그래프 기반 베이즈 최적화를 통해 변분 양자 회로(VQC)를 자동으로 탐색하고 개선하는 프레임워크를 제안합니다. 회로는 그래프로 표현되며, 몬테카를로 드롭아웃으로 추정된 대리 모델의 불확실성을 반영한 기대 개선(expected improvement) 획득 함수를 통해 변이(mutation) 및 선택이 이루어집니다. 후보 회로는 특징 선택 및 양자 임베딩을 위한 스케일링을 거친 NF-ToN-IoT-V2 사이버보안 데이터셋에서 하이브리드 양자-고전 변분 분류기로 평가됩니다. 본 파이프라인은 MLP 기반 대리 모델, 랜덤 탐색, 그리디 GNN 선택 방식과 비교 벤치마킹되었습니다. GNN 기반 옵티마이저는 모든 기준선 대비 낮은 복잡도와 동등하거나 우수한 분류 정확도를 가진 회로를 일관되게 발견합니다. 강건성은 진폭 감쇠, 위상 감쇠, 열적 이완, 탈분극화, 읽기 비트 플립 잡음 등 표준 양자 잡음 채널에 걸친 잡음 연구를 통해 평가됩니다. 구현은 시간 벤치마킹 및 최적 회로 내보내기 기능과 함께 완전한 재현이 가능하며, 자동화된 양자 회로 탐색을 위한 확장 가능하고 해석 가능한 경로를 제공합니다.

arXiv:2607.09094v1cs.CL

PRecG: 그래프 신경망과 수사적 역할 분할을 활용한 법률 판례 검색

PRecG: Legal Precedent Retrieval with Graph Neural Networks and Rhetorical Role Segmentation

법률 판례 검색은 법적 사건 준비, 계획 수립, 소송 전략, 법률 연구에서 핵심적인 과제이다. 현재의 자동 판례 검색 방식은 법률 문서를 저차원 의미 공간에 매핑하고 표현 간의 근접성을 기반으로 유사도를 계산한다. 이러한 방식은 법률 문서를 단일체 텍스트로 취급하여 법적 기술 사항의 수사적 구조를 무시한다. 따라서 미묘한 법적 의미를 간과하고, 문서 내 수사적 역할에 따라 달라지는 법률 개체 및 개념의 맥락적 중요성을 구별하지 못한다. 이러한 한계를 해결하기 위해, 우리는 법률 판결문 쌍 간의 유사도를 계층적 표현 학습을 통해 계산하는 PRecG 파이프라인을 제안한다. 이 과정은 문장의 수사적 역할에 따라 각 문서를 개별 의미 단위(세그먼트)로 분해하는 것에서 시작된다. 각 수사적 세그먼트에 대해 세그먼트 내 법률 개체와 그 관계를 포착하는 지식 그래프를 구성한다. 이후 개체의 맥락적 표현을 학습하고 집계하여 세그먼트 수준의 임베딩을 도출한다. 이 임베딩들을 추가로 통합하여 통합된 문서 수준의 표현을 생성하고, 최종적으로 문서 쌍 간의 의미적 유사도를 계산한다. 제안된 방식의 성능은 인도 법률 벤치마크 데이터셋에 대한 광범위한 실험을 통해 검증하였으며, 최신 기준 모델들과 비교하여 그 효과를 입증하였다.

arXiv:2504.07459v2cs.CL

대규모 언어 모델을 넘어서: 내러티브 텍스트에서 인과 그래프 생성을 위한 언어학적 접근법

Beyond LLMs: A Linguistic Approach to Causal Graph Generation from Narrative Texts

본 논문에서는 내러티브 텍스트로부터 인과 그래프를 생성하는 새로운 프레임워크를 제안한다. 이 프레임워크는 고수준의 인과관계와 세부적인 사건별 관계를 연결한다. 제안 방법은 먼저 대규모 언어 모델(LLM) 기반 요약을 활용하여 에이전트(agent) 중심의 간결한 정점을 추출한다. 이어서 언어학적으로 설계된 7가지 특징으로 구성된 "Expert Index"를 도입하고, 이를 상황-과제-행동-결과(STAC) 분류(classification) 모델에 통합한다. RoBERTa 임베딩과 Expert Index를 결합한 이 하이브리드 시스템은 순수 LLM 기반 접근법에 비해 인과 링크 식별에서 우수한 정밀도(precision)를 달성한다. 또한 구조화된 5회 반복(iteration) 프롬프팅 과정을 통해 연결된 인과 그래프를 정제하고 구성한다. 100개의 내러티브 챕터 및 단편 소설을 대상으로 한 실험에서, 제안 방법은 가독성을 유지하면서 인과 그래프 품질 면에서 GPT-4o와 Claude 3.5를 일관되게 능가함을 보인다. 오픈소스 도구로 제공되는 본 시스템은 내러티브 속 미묘한 인과 연쇄를 포착하기 위한 해석 가능하고 효율적인 솔루션을 제공한다.

arXiv:2311.02566v2cs.CL

불균형 단문 데이터셋을 위한 공출현 단어 네트워크 기반 토픽 모델

Topic model based on co-occurrence word networks for unbalanced short text datasets

우리는 불균형 단문 데이터셋에서 희소 토픽을 탐지하기 위한 간결한 솔루션을 제안한다. CWUTM(불균형 단문 데이터셋을 위한 공출현 단어 네트워크 기반 토픽 모델)이라 명명된 우리의 접근법은, 우발적 단어 공출현의 영향을 완화함으로써 희소하고 불균형적인 단문 토픽 문제를 해결한다. 이를 통해 모델은 희소 토픽(저빈도 토픽) 식별을 우선시할 수 있다. 기존 방법들과 달리, CWUTM은 공출현 단어 네트워크를 활용하여 각 단어의 토픽 분포를 포착하고, 노드 활성도 계산을 재정의하며 희소 토픽과 풍부한 토픽의 표현을 어느 정도 정규화함으로써 희소 토픽 식별에 대한 민감도를 높인다. 또한 CWUTM은 LDA와 유사하게 깁스 샘플링을 채택하여 다양한 응용 시나리오에 쉽게 적용할 수 있다. 불균형 단문 데이터셋에 대한 광범위한 실험적 검증을 통해 희소 토픽 발견에서 CWUTM이 기준선 접근법들보다 우수함을 입증한다. 실험 결과에 따르면, 제안된 모델은 소셜 플랫폼에서 신흥 토픽 또는 예상치 못한 이벤트를 조기에 정확하게 탐지하는 데 효과적이다.

arXiv:2311.00300v2cs.CL

그래프 합성곱 네트워크와 정보 융합 기반 과학기술 특허 개체 정렬 방법

Entity Alignment Method of Science and Technology Patent based on Graph Convolution Network and Information Fusion

과학기술 특허의 개체 정렬은 서로 다른 과학기술 특허 데이터 소스의 지식 그래프에서 동등한 개체를 연결하는 것을 목표로 한다. 대부분의 개체 정렬 방법은 그래프 신경망을 사용하여 그래프 구조의 임베딩을 획득하거나 속성 텍스트 설명을 사용하여 의미 표현을 획득하는 방식에 그쳐, 과학기술 특허에서의 다중 정보 융합 과정을 간과하고 있다. 특허 개체의 이름, 설명, 속성 등 그래프 구조와 보조 정보를 활용하기 위해, 본 논문은 과학기술 특허 정보 융합을 위한 그래프 합성곱 네트워크 기반 개체 정렬 방법을 제안한다. 그래프 합성곱 네트워크와 BERT 모델을 통해 과학기술 특허 지식 그래프의 구조 정보와 개체 속성 정보를 임베딩하여 표현함으로써 다중 정보 융합을 달성하고, 개체 정렬 성능을 향상시킨다. 세 가지 벤치마크 데이터셋에 대한 실험 결과, 제안된 방법이 기존 방법보다 Hits@$K$ 평가 지표에서 우수한 성능을 보임을 확인하였다.

arXiv:2607.09528v1cs.LG

TSAI-MetaFraud: 메타버스 생태계의 금융 사기 거래 및 행동 위험 탐지를 위한 벤치마크 데이터셋

TSAI-MetaFraud: A Benchmark Dataset for Financial Fraud Transaction and Behavioral Risk Detection in Metaverse Ecosystems

메타버스 플랫폼의 등장으로 가상 경제가 형성되었으며, 이는 사기, 봇 활동, 불법 금융 행위와 관련된 새로운 과제를 야기하고 있다. 신뢰할 수 있는 메타버스 분석에 대한 관심이 높아지고 있음에도 불구하고, 기존 데이터셋은 대부분 사용자 행동, 인증, 또는 금융 거래를 개별적으로 다루고 있어 멀티모달 사기 탐지 방법의 개발 및 재현 가능한 평가를 제한하고 있다. 이러한 격차를 해소하기 위해, 우리는 가상 경제에서의 사기 분석을 위한 멀티모달 다중 태스크 벤치마크 데이터셋인 TSAI-MetaFraud를 제시한다. TSAI-MetaFraud는 행동적, 거래적, 그래프 구조적 정보를 통합하는 동시에 현실적인 사기 및 자동화 봇 시나리오를 포함한다. 우리는 거래 사기 탐지, 크로스 모달 노드 분류, 시계열 링크 예측, 약지도 사기 탐지를 포함한 벤치마크 태스크를 정의하고, 머신러닝 모델과 그래프 신경망을 활용한 기준선 평가를 제공한다. TSAI-MetaFraud는 단일 가상 경제 내에서 행동 활동, 금융 상호작용, 관계 구조를 통합적으로 포착함으로써 멀티모달 학습, 그래프 마이닝, 사기 분석, 그리고 신흥 메타버스 생태계에서의 신뢰할 수 있는 AI 발전을 위한 벤치마크를 제공한다.

arXiv:2607.09372v1cs.LG

확장 가능하고 전이 가능한 노드 중심성 근사를 위한 그래프 신경망

Graph Neural Networks for Scalable and Transferable Node Centrality Approximation

그래프 신경망(GNN)은 정확히 계산하기 비용이 많이 드는 그래프 수치를 근사하기 위한 학습 기반 프레임워크를 제공합니다. 이 논문은 노드 순위 문제로 공식화된 매개 중심성(betweenness centrality)과 근접 중심성(closeness centrality)의 확장 가능한 근사를 위한 GNN을 연구합니다. 정확한 중심성 값이 지도 신호로 사용되며, 순위 품질은 Kendall의 타우(tau) 순위 상관계수를 이용해 평가됩니다. 메시지 패싱 GNN이 학습 중 사용된 분포에만 적합하는 것이 아니라 서로 다른 그래프 토폴로지에 걸쳐 전이 가능한 구조적 표현을 학습할 수 있는지를 연구합니다. 학습에 사용되지 않은 Erdos-Renyi 그래프에서 제안된 모델은 매개 중심성에 대해 tau = 0.851, 근접 중심성에 대해 tau = 0.894를 달성합니다. N = 5,000개 노드를 가진 그래프로 학습된 대규모 매개 중심성 모델은 tau = 0.938을 달성하여 확장성을 입증합니다. Erdos-Renyi, Barabasi-Albert, Gaussian Random Partition 그래프를 혼합한 분포로의 학습은 그래프 계열 간 매개 중심성 전이를 향상시킵니다. 반면, 근접 중심성은 커뮤니티 구조를 가진 그래프에 더 민감하게 반응하며 실세계 토폴로지로의 전이 성능이 저하됩니다. 마지막으로, GNN 추론은 정확한 계산 대비 최대 97.7배의 속도 향상을 달성합니다. 이러한 결과는 혼합 분포 학습이 GNN 기반 중심성 근사에서 구조적 전이를 향상시킬 수 있음을 보여주는 동시에, 근접 중심성의 토폴로지 민감성을 해결해야 할 미해결 과제로 제시합니다.

arXiv:2607.09232v1cs.LG

분포 변화 하의 시간적 지식 그래프 예측: 합성 평가

Temporal Knowledge Graph Forecasting under Distribution Shifts: A Synthetic Evaluation

시간적 지식 그래프(TKG)는 진화하는 관계형 시스템을 나타내며, 그 기저의 데이터 생성 과정은 시간에 따라 변화하는 경우가 많다. 그러나 TKG 예측 모델은 일반적으로 이러한 분포 변화에 대한 모델의 견고성에 제한적인 통찰만을 제공하는 실증적 벤치마크 데이터셋에서만 평가된다. 이 문제를 인식하여, 우리는 재발(recurrence), 동질성(homophily), 주기성(periodicity)이라는 세 가지 시간적·구조적 속성을 데이터 생성 메커니즘으로 인코딩한 합성 TKG 생성기를 사용하여, 통제된 변화 환경 하에서의 TKG 예측을 연구한다. 이를 통해 정상(stationary) 및 변화(shifting) 체제 하에서 일곱 가지 예측 아키텍처를 평가한다. 실험 결과, TKG 예측에서의 견고성은 신호에 크게 의존함을 시사한다. 재발 기반 및 주기적 규칙성은 정상 조건에서 대체로 복원 가능하며, 재발이 데이터를 지배할 때 단순한 메모리 기반 기준선이 경쟁력을 가질 수 있다. 그러나 구조적 단절은 모델 적응성의 한계를 드러내며, 잠재적 엔티티-커뮤니티 구조의 변화가 본 연구에서 가장 큰 도전 과제로 나타난다. 전반적으로, 본 연구의 결과는 시간적 분포 변화에 직면한 현재 TKG 모델의 능력과 한계에 대한 이해를 향상시킨다.

arXiv:2607.09122v1cs.LG

변분 그래프 오토인코더를 활용한 전력 조류 실행 가능성 평가

Power Flow Feasibility Assessment Using Variational Graph Autoencoders

그래프 신경망을 포함한 데이터 기반 방법론은 최근 몇 년간 전력 조류(power flow) 계산 가속화를 위해 연구되어 왔으나, 전통적인 솔버를 통해 얻을 수 있는 해의 실행 가능성(solution feasibility)에는 거의 어텐션이 기울여지지 않았다. 본 논문은 IEEE 118-버스 케이스를 활용하여 전력 조류 해의 실행 가능성을 탐지하고, AI 기반 솔버가 제공하는 해의 유효성을 평가하는 변분 그래프 오토인코더(VGAE, Variational Graph Autoencoder)를 제안한다.

arXiv:2607.08996v1cs.LG

결정 특성 예측을 위한 모델 무관 그래프 프롬프트 학습

Model Agnostic Graph Prompt Learning for Crystal Property Prediction

그래프 신경망(Graph Neural Network)은 다양한 결정 특성을 빠르고 정확하게 예측하는 강력한 도구로 부상하였다. 이러한 모델들은 그래프 인코딩 모듈에 도메인 특화 지식을 인코딩하는 경우가 많아 매개변수 크기가 증가하고 성능이 도메인 전문 지식에 크게 의존하게 된다. 여기에 더해, 특정 결정 특성에 영향을 미칠 수 있는 모든 화학적·구조적 특징을 GNN 인코더에 명시적으로 통합하는 것은 어려운 과제이다. 본 연구에서는 GNN에 명시적으로 제공되지 않는 특성 예측에 필수적인 잠재 특징을 포착하는 소프트 프롬프트 학습 프레임워크를 제안한다. 노드 수준 및 그래프 수준 소프트 프롬프트를 모두 포함하는 새로운 다단계 그래프 프롬프트 학습 프레임워크를 소개한다. 노드 수준에서는 다양한 원자 유형의 지역적 화학 의미론을 포착하고, 그래프 수준에서는 결정 그래프의 전역적 구조 대칭성을 인코딩한다. 제안하는 프롬프트 학습 프레임워크는 경량화되어 있으며 기존의 모든 GNN 인코더와 원활하게 통합된다. 널리 사용되는 벤치마크 데이터셋에 대한 광범위한 실험을 통해, 프롬프트 학습을 도입하면 결정 특성 예측 태스크에서 최신 GNN 모델의 성능이 3%~15% 유의미하게 향상됨을 확인하였다. 또한, 학습된 소프트 프롬프트는 교차 특성 지식 전이를 가능하게 하여 학습 데이터가 제한된 특성에 대한 예측 성능을 향상시킨다. 코드는 https://github.com/shrimonmuke0202/Prompt.git 에서 공개되어 있다.

arXiv:2607.08940v1cs.LG

TSRouter: Dynamic Modality-Model Selection for Time Series Reasoning

시계열 추론은 실세계 문제 해결에 필수적이다. 대규모 언어 모델(LLM)과 비전-언어 모델(VLM) 모두 시계열 데이터에 대한 추론이 가능하지만, 그 능력은 상호 보완적이다. LLM은 시계열을 텍스트 시퀀스로 처리하여 정확한 수치 이해를 보존하지만 전역적 패턴 파악에 어려움을 겪는 반면, VLM은 시계열을 시각화함으로써 이러한 패턴을 효율적으로 포착하지만 세밀한 세부 정보를 손실할 수 있다. 또한 모델마다 태스크별 전문성과 추론 비용이 크게 다르다. 따라서 각 쿼리에 가장 적합한 모달리티와 모델을 동적으로 선택하는 것이 중요하지만, 이는 풍부한 문맥 신호를 지닌 태스크, 쿼리, 모달리티, 모델 간의 복잡한 상호작용을 모델링해야 하므로 어려운 과제이다. 이를 위해 우리는 그래프 기반 동적 라우팅 프레임워크인 TSRouter를 제안한다. TSRouter는 태스크, 쿼리, 모달리티, 모델 노드로 구성된 이종 그래프를 구축하여 쿼리 특성, 모달리티 속성, 모델 역량 간의 상호작용을 문맥화한다. TSRouter는 라우팅을 후보 점수화 문제로 공식화하며, 각 모달리티-모델 쌍을 사용자 정의 성능-비용 선호도에 따라 평가하여 최적 후보를 선택한다. 4가지 서로 다른 시계열 추론 태스크에 대한 종합적인 평가에서 TSRouter는 다양한 베이스라인 대비 16\%에서 46\%의 상대적 성능 향상을 달성하며 크게 뛰어난 성능을 보였다. 또한 TSRouter는 미학습 모델 및 새로운 태스크에 대해 강건한 제로샷(zero-shot) 플러그앤플레이 일반화를 보여주며, 비용 인식 최적화를 통해 연산 오버헤드를 줄이면서도 높은 성능을 유지한다. 코드는 https://github.com/tianyi-lab/TSRouter 에서 확인할 수 있다.

arXiv:2607.08915v1cs.LG

결측 데이터 처리를 위한 패턴 인식 그래프 신경망

Pattern-Aware Graph Neural Networks for Handling Missing Data

결측 데이터는 실제 데이터셋에서 어디서나 발생한다. 전통적인 방법들은 불완전한 샘플을 버리거나, 결측이 무작위로 발생한다고 암묵적으로 가정하면서 잠재적으로 유용한 정보를 담고 있는 결측 패턴을 무시하는 대입(imputation) 기법을 적용한다. 그러나 결측 패턴은 추가적인 정보를 제공할 수 있다. 우리는 관측된 값과 함께 어떤 특징이 결측되었는지를 명시적으로 인코딩하는 패턴 인식 그래프 신경망(graph neural networks)을 제안한다. 자연적으로 결측이 발생하는 7개의 UCI 데이터셋에서 학습된 임베딩, 고정된 랜덤 임베딩, 통계적 특징, 계층적 표현 등 네 가지 인코딩 전략을 사용하였다. 우리의 패턴 인식 방법은 기준선 대비 상당한 성능 향상을 달성하였으며, 모든 데이터셋에서 균형 정확도(balanced accuracy) 평균 17%, F1-macro 평균 22% 향상을 보였다. 데이터셋별 이점은 크게 다르며, annealing은 극적인 향상(균형 정확도 +80%)을 보이는 반면, hepatitis와 soybean은 미미한 향상(+4~5%)에 그쳤다. 주목할 만한 점은, 단순한 랜덤 패턴 임베딩도 학습된 임베딩과 유사한 성능을 보인다는 것이다(균형 정확도 0.650 대 0.663). 이는 패턴 간 구분이 태스크별 최적화보다 더 중요할 수 있음을 시사한다. 어블레이션 연구에서는 어텐션 메커니즘이 도움이 되긴 하지만, 패턴 정보가 제공될 때는 필수적이지 않음을 밝혔다. 패턴 인식을 갖춘 단순 평균 집계(mean aggregation)가 어텐션 기반 변형(0.645)과 비교해 균형 정확도 0.640을 달성하였다.

arXiv:2607.08784v1cs.LG

HERO: 연합 지속 학습을 위한 이질성 인식 벤치마크 라이브러리

HERO: A Heterogeneity-Aware Benchmark Library for Federated Continual Learning

연합 지속 학습(FCL)은 분산된 클라이언트들이 변화하는 데이터 스트림에서 학습하면서 이전에 학습한 지식을 유지하는 방식을 평가한다. 기존 평가들은 데이터셋, 태스크 분할, 클라이언트 데이터 분할, 태스크 순서, 백본, 메모리 가정, 보고 규칙을 동시에 변경하는 경우가 많아 비교가 어렵다. 우리는 FCL을 위한 이질성 인식 벤치마크 라이브러리인 HERO를 소개한다. HERO는 흔히 결합되어 있는 세 가지 선택, 즉 태스크 분할, 클라이언트 데이터 분할, 클라이언트 태스크 시퀀스를 분리하여 벤치마크 스트림을 구성한다. 주요 비교 벤치마크인 HERO-Core에서 α는 클라이언트 데이터 편중을 제어하고, ρ는 태스크 순서 불일치를 제어한다. 우리는 CIFAR-100과 TinyImageNet에서 대표적인 FCL 방법들을 최종 평균 정확도, 평균 망각, 하위 10% 클라이언트 정확도를 기준으로 평가한다. 또한 OGB-MolPCBA를 대상으로 그래프 기반 Domain-IL 이식성 사례 연구를 포함하며, 여기서는 스캐폴드 도메인 세분성이 입력 분포를 변화시키는 동안 예측 태스크는 고정된 채로 유지된다. 실험 결과, 방법의 동작이 쉬운 설정과 이질적인 설정에 걸쳐 변화하며, 평균 정확도가 하위 클라이언트의 낮은 성능을 은폐할 수 있고, 태스크 순서 불일치가 동기화된 평가와는 다른 전략을 선호하며, 동일한 HERO 인터페이스가 이미지 기반 FCIL을 넘어 도메인 이동 난이도를 노출할 수 있음을 보인다. HERO는 재현 가능하고 설정 인식적인 FCL 평가를 지원하기 위해 벤치마크 스트림, 구성, 방법 구현, 보고 스크립트를 공개한다.

arXiv:2606.28225v2cs.LG

인과적 확률론적 시간 그래프에서의 추정-예측 트레이드오프

Estimation-Prediction Tradeoff in Causal Probabilistic Temporal Graphs

시간적 링크 예측(TLP)은 일반적으로 미관측 엣지에 대한 예측 성능으로 평가되지만, 이 기준은 예측 정확도와 기저 인과 메커니즘의 복원을 혼동할 수 있다. 확률론적 모델에서 피셔 정보(Fisher information)는 매개변수 추정 오차에 대한 크라메르-라오(Cramér–Rao, CR) 하한을 지배한다: 피셔 정보가 높을수록 더 정확한 매개변수 복원이 가능하다. 우리는 피셔 정보와 엔트로피 사이의 공단조 조건(comonotonicity conditions) 하에서, 이진 로지스틱 모델이 추정-예측 트레이드오프를 나타냄을 보인다: 피셔 정보가 높아 CR 하한이 작은 체제일수록 환원 불가능한 예측 엔트로피도 높아진다. TLP에서 이 트레이드오프를 연구하기 위해, 우리는 과도 엣지(transient edges)와 알려진 ground-truth 인과 구조를 가진 시간 그래프의 확률론적 인과 생성기를 도입하고, 이 현상을 실험적으로 검증한다.