네트워크 침입 탐지 시스템(NIDS)은 네트워크 공격 및 침입을 탐지하는 데 필수적인 도구입니다. 공격 탐지 및 특성 분석을 위한 지도 학습(supervised Machine Learning) 활용에 관한 연구가 광범위하게 이루어져 왔으나, 이러한 방법들은 정확하게 레이블링된 데이터셋을 필요로 하며 이를 확보하는 데 매우 높은 비용이 소요됩니다. 또한 기존의 공개 데이터셋은 공격 유형이 제한적이거나 최신성이 부족하고, 상당수가 잘못 레이블링된 데이터 문제를 겪고 있습니다. 레이블링된 데이터에 대한 의존도를 줄이기 위해, 본 논문에서는 이종 변분 그래프 오토인코더(Heterogeneous Variational Graph Autoencoder) 기반의 새로운 비지도 이상 탐지 접근법인 AutoGraphAD를 제안합니다. AutoGraphAD는 네트워크 활동을 나타내는 연결 노드와 IP 노드로 구성된 이종 그래프(heterogeneous graph) 위에서 동작합니다. 이 모델은 레이블링된 데이터에 의존하지 않고 비지도 학습과 대조 학습(contrastive learning)을 통해 학습됩니다. 모델의 손실값들은 가중 합산되어 이상 탐지에 사용되는 이상 점수(anomaly score)로 결합됩니다. 전반적으로 AutoGraphAD는 Anomal-E와 동등하거나 일부 경우 더 우수한 성능을 달성하면서도, 비용이 높은 다운스트림 이상 탐지기를 필요로 하지 않습니다. 그 결과 AutoGraphAD는 약 1.18 자릿수 빠른 학습 속도와 약 1.03 자릿수 빠른 추론 속도를 달성하며, 이는 운영 환경 배포에 있어 중요한 이점을 나타냅니다.
혼합 번들 가격 책정(Mixed bundle pricing)은 이커머스, 관광, 비디오 게임 등 다양한 산업에서 발생하는 고전적인 수익 관리 문제입니다. 이는 기대 이익을 최대화하기 위해 제품 조합(즉, 번들)을 설계하고 가격을 결정하는 것을 의미합니다. 정확한 혼합 번들링 모델은 이 구조를 포착하지만, 후보 번들의 수가 제품 수에 따라 지수적으로 증가하기 때문에 계산적으로 다루기 어렵습니다. 우리는 (비)가산적 가치 평가를 갖는 번들 가격 책정을 위한 그래프 신경망(GNN) 유도 가지치기 후 최적화 프레임워크를 개발합니다. 이 방법은 각 인스턴스를 소형 세그먼트-제품 그래프로 표현하고, 세그먼트-제품 포함 확률을 예측하여 지수적인 번들 공간을 소규모 후보 집합으로 가지치기합니다. 최종 가격과 번들 제공물은 보존된 번들에 대해 혼합 번들링 공식을 풀어 얻으며, GNN 유도 지역 탐색으로 추가 정제될 수 있습니다. 정확한 레이블은 소규모에서만 사용 가능하기 때문에, 우리는 반복적 자기 개선 절차를 추가로 제안합니다: 현재 GNN 정책이 대규모 인스턴스에서 고품질 솔루션을 생성하고, 이를 더 큰 규모에서 더 강력한 모델을 학습하기 위한 근사 최적 레이블로 활용합니다. 이론적으로, 온화한 조건 하에서 제안된 에지 출력 GNN 클래스가 최적 제품 배정 매핑을 표현하기에 충분히 표현력이 있음을 보이며, 이는 에지 수준 학습 목표를 정당화합니다. 수치 실험에서 가장 빠른 제안 정책은 최대 100개 제품 인스턴스에서 번들 크기 가격 책정 대비 13~21% 높은 이익을 약 2%의 실행 시간으로 달성합니다.
우리는 고차원 데이터에 대한 다양한 밀도 클러스터링(varied-density clustering)에 관한 새로운 관점을 제안한다. 이 방법은 지역 밀도 변화에 적응하는 이웃 그래프(neighborhood graph)에서의 레이블 전파(label propagation) 과정으로 문제를 정식화한다. 우리의 방법은 밀도 기반 클러스터링과 그래프 연결성을 공식적으로 연결하여, 네트워크 과학에서 개발된 효율적인 그래프 전파 기법을 활용할 수 있게 한다. 확장성을 보장하기 위해, 밀도 인식 이웃 전파 알고리즘을 도입하고 근사 이웃 그래프 구성을 위해 고급 랜덤 프로젝션(random projection) 기법을 활용한다. 우리의 접근 방식은 클러스터링 품질을 유지하면서 계산 비용을 크게 줄인다. 실험적으로, 수백만 개의 데이터 포인트를 포함하는 데이터셋에 수 분 내에 확장되며, 기존 기준 모델(baseline)과 비교하여 경쟁력 있는 정확도를 달성한다.
조정 그래프(coordination graph)는 협력적 다중 에이전트 강화학습(MARL)의 핵심 추상화 개념이지만, 기존의 희소 그래프 학습기들은 어떤 엣지가 존재해야 하며 각 엣지가 얼마나 많은 정보를 전달해야 하는지를 결정하는 이론적으로 정당화된 메커니즘이 부재하다. 현재 방법들은 학습된 토폴로지에 대한 공식적 보장이 없는 휴리스틱 기준에 의존하며, 구조적으로 상이한 에이전트 관계에 서로 다른 통신 용량을 할당하는 원칙적 방법도 존재하지 않는다. 이를 해결하기 위해, 우리는 이종 정보 병목 조정 그래프(HIBCG, Heterogeneous Information-Bottleneck Coordination Graphs)를 제안한다. HIBCG는 엣지의 존재 여부와 메시지 용량이 모두 이론적으로 정당화된 그룹 인식 희소 그래프를 학습한다. 그래프 정보 병목(GIB)을 기반 도구로 활용하여, HIBCG는 먼저 엣지 유지에 대한 폐쇄형 기준—어떤 엣지가 존재해야 하며 그룹 블록별 밀도는 어느 정도여야 하는지—을 제공하는 그룹 정렬 블록 대각 사전분포(group-aligned block-diagonal prior)를 구성하고, 이어서 결과 토폴로지 상의 에이전트별 특징 대역폭을 제어하여 태스크 관련 내용만 보존하도록 메시지를 압축한다. 우리는 그룹 정렬 사전분포가 토폴로지 학습에 대한 변분 경계(variational bound)를 엄격히 조여줌을 증명하고, 목적 함수가 그룹 블록별로 분해되어 차등적 엣지 제어를 가능하게 하며, 용량 할당이 워터 필링 원리(water-filling principle)를 따름을 증명한다.
본 논문은 등장하고 있는 PASS와 RIS의 통합이 무선 통신에 미치는 영향이 알려지지 않은 점에 착안하여, 다중 사용자 다운링크 정보 전송을 위한 재구성 가능한 지능형 표면(RIS) 지원 다중 도파관 핀칭-안테나(PA) 시스템(PASS)을 연구한다. 먼저, PA의 이동 가능 영역, 총 전력 예산, RIS 소자의 조정 가능한 위상에 대한 제약 조건 하에서 합산 전송률(SR) 및 에너지 효율(EE) 최대화 문제를 통합 프레임워크로 공식화한다. 이어서, RIS 지원 PASS의 그래프 구조 토폴로지를 활용하여, 첫 두 단계에서 각각 사용자 위치에 기반한 PA 위치와 복합 채널 조건에 따른 RIS 위상 이동을 학습하고, 최종적으로 빔포밍 벡터를 결정하는 새로운 3단계 그래프 신경망(GNN)을 제안한다. 구체적으로, 제안된 GNN은 비지도 학습을 통해 구현되며, 볼록 최적화와의 통합을 위한 세 가지 구현 전략을 함께 제공함으로써 추론 시간과 해의 최적성 간의 트레이드오프를 제공한다. 제안된 GNN의 효과를 검증하고, 실현 가능한 일반화 능력, 우수한 성능 신뢰성 및 실시간 적용 가능성이라는 고유한 특성을 뒷받침하기 위해 광범위한 수치 결과를 제시한다. 아울러, RIS 지원 PASS에 대한 주요 파라미터의 영향을 제시하고 분석한다.
이미지 데이터의 증가하는 가용성이 상당한 발전을 이끌어왔지만, 데이터셋 레이블링은 여전히 비용이 많이 들고 시간 소모적이다. 이에 따라 레이블된 데이터와 레이블되지 않은 데이터 모두에서 학습하는 그래프 합성곱 네트워크(GCN)와 같은 준지도 방식이 유망한 해결책으로 부상하고 있다. GCN을 이미지 분류에 적용할 때의 주요 과제 중 하나는 그래프 구성이다. 인용 네트워크나 유사한 도메인과 달리, 이미지는 일반적으로 사전 정의된 구조적 표현을 가지지 않기 때문이다. 시각 데이터의 경우, 대부분의 연구는 사전학습된 심층 학습 백본에서 추출한 특징 벡터 간의 유사도를 기반으로 그래프를 구성하며, 일반적으로 kNN 또는 상호 kNN 알고리즘을 활용한다. 대규모 언어 모델(LLM)이 고수준 의미론을 포착하는 데 뛰어난 능력을 보여주었음에도 불구하고, 이미지 분류를 위한 GCN과의 통합은 아직 충분히 탐구되지 않았다. 이 공백을 채우고자, 본 접근법은 비전-언어 모델(VLM)을 활용하여 이미지의 텍스트 설명을 생성하고, 이를 LLM이 처리하여 연결된 이미지 간의 의미론적 유사도 점수를 추정한다. 이 점수는 kNN 및 상호 kNN 그래프에서 엣지를 가지치기하는 데 활용되어 의미론적으로 무관한 이웃을 필터링한다. 실험 결과, 그래프 정제를 위해 LLM을 활용하면 특히 kNN 그래프와 일부 백본에서 분류 정확도가 향상될 수 있음이 밝혀졌다. 소스 코드는 http://gcnllm.lucasvalem.com 에서 공개적으로 이용 가능하다.
이미지 데이터의 급격한 증가로 대규모 데이터셋이 생성되면서, 모델 학습에 소요되는 시간 및 메모리 비용에 대한 우려가 커지고 있다. 그러나 대표적인 학습 서브셋을 선택하는 것은 여전히 어려운 과제인데, 개별 샘플의 기여도가 불분명하고 모델 동작이 데이터셋 및 실행에 따라 달라지기 때문이다. 우리는 코어셋 선택과 여러 실행에 걸친 앙상블 집계를 결합한 프레임워크로 이러한 문제를 해결한다. 코어셋 선택을 위해, 선택된 점수를 기반으로 학습 데이터를 구간으로 분할하고 각 구간에서 샘플링하는 SCOre-Stratified Selection(SCOSS)을 제안한다. 앙상블은 독립적으로 샘플링된 학습 서브셋에서 각각 수행된 여러 실행의 예측을 결합한다. 기준선으로는 원본 버전과 클래스 균형 버전을 각각 가진 적당한(moderate) 선택과 무작위 선택을 사용한다. 우리는 서로 다른 샘플링 비율 하에서 Simple Graph Convolution(SGC)과 서포트 벡터 머신(SVM) 분류기로 프레임워크를 평가한다. 실험 결과, SCOSS는 기준선과 경쟁력 있으며 SGC에 있어 종종 최선의 선택이고, 정확도와 효율성 간의 유리한 트레이드오프를 가능하게 한다. 세밀한(fine-grained) 데이터셋에서는 레이블된 샘플을 더 적게 사용할 때 SCOSS를 적용한 SGC가 SVM을 능가한다. 코드와 보충 자료는 http://scoss.lucasvalem.com에서 공개적으로 이용 가능하다.
세립 시각 분류(FGVC)는 미묘한 클래스 간 차이와 큰 클래스 내 변동으로 인해 여전히 어려운 과제이다. 기존 접근법은 일반적으로 의미 분석을 위한 변별적 영역 지역화를 위해 특징 선택 메커니즘이나 영역 제안 전략에 의존한다. 그러나 이러한 방법들은 상당한 카테고리 비인식 중복성을 도입하는 동시에 변별적 단서를 포괄적으로 포착하지 못하는 경우가 많다. 이러한 한계를 해결하기 위해 우리는 H3Former을 제안한다. 이는 고차 의미 관계를 활용하여 구조화된 영역 수준 모델링으로 지역 세립 표현을 집계하는 새로운 토큰-영역 프레임워크이다. 구체적으로, 다중 스케일 문맥 단서를 활용하여 토큰 간 가중 하이퍼그래프를 동적으로 구성하는 의미 인식 집계 모듈(SAAM)을 제안한다. 하이퍼그래프 합성곱을 적용함으로써 SAAM은 고차 의미 의존성을 포착하고 토큰 특징을 컴팩트한 영역 수준 표현으로 점진적으로 집계한다. 또한, 비유클리드 임베딩 공간에서 계층적 의미 제약을 부과하는 쌍곡 계층적 대조 손실(HHCL)을 도입한다. HHCL은 세립 카테고리 간 내재적 계층 관계를 보존하면서 클래스 간 분리성과 클래스 내 일관성을 향상시킨다. 네 가지 표준 FGVC 벤치마크에서 수행된 포괄적인 실험을 통해 H3Former 프레임워크의 우수성을 검증하였다.
기존 성격 인식 연구가 Big-5, MBTI 등 특정 심리 이론에 종속된 레이블에 의존해 일반화에 한계가 있다는 문제를 해결하기 위해, JAM은 어텐션-풀링 그래프 프로토타입 네트워크와 교차-이론 조화(CTH), LLM-as-a-Judge 메커니즘을 결합해 이론-무관적 잠재 심리 표현을 학습한다. Essays 및 Kaggle 성격 데이터셋 실험에서 JAM은 교차-프레임워크 일반화 성능을 향상시키며 저자원 성격 이론을 지원하는 효과를 보였다.
LLM 추론의 신뢰성 문제를 해결하기 위해 GRAPHEVAL이라는 그래프 기반 프레임워크를 제안하며, 추론 경로를 인과 DAG로 변환해 의미적·구조적 합의를 측정하는 새 지표 GRCS(Graph Reasoning Coherence Score)와 메도이드(medoid) 기반 디코딩 전략인 GSC(Graph Self-Consistency)를 도입한다. GRCS는 모델 규모에 관계없이 추론 충실도와 일관되게 음의 상관관계를 보이는 유일한 지표이며, GSC는 기존 Self-Consistency가 충실하지 않은 "운 좋은 추측"에 의해 부풀려진 정확도를 드러내고 더 유능한 모델에서는 추론 정확도를 유지하거나 향상시킴을 실험적으로 입증한다.
레이블이 없는 과학 문헌의 의미 표현 학습을 위해, 적응형 특징 처리(최대 풀링·평균 풀링 결합)와 그래프 어텐션 인코더를 통합한 비지도 그래프 신경망 방법 AFPGNN을 제안한다. 잠재 공간에서 지역·전역 표현 간 상호 정보량을 최대화하는 대조 학습으로 의미 표현 품질을 높였으며, Cora와 Citeseer 데이터셋의 문헌 분류 실험에서 경쟁력 있는 성능을 보였다.
비트코인 라이트닝 네트워크(Lightning Network)에서 고정 예산 내 라우팅 용량을 극대화하는 채널 개설 문제를 $s$–$t$ 최대 유량(max-flow) 기반 예산 제약 조합 최적화로 정식화하고, 메시지 패싱 신경망(MPNN)과 PPO를 결합한 경량 그래프 강화학습 에이전트 MPFlow로 해결한다. 허브 제외 커리큘럼으로 학습된 이 에이전트는 실제 라이트닝 네트워크 스냅샷에서 휴리스틱 기준선을 일관되게 능가하며, 프로덕션 환경에 배포되어 30개 노드에서 총 267.3 BTC의 채널 개설 결정을 실행하였다.
P2P 가십 통신 이력 자체에서 합의를 도출하는 분산 연합학습(DFL) 프레임워크 gspDAG-FL을 제안하며, 노드 간 모델 페이로드는 이웃에게만 전달하되 풀 노드가 Hashgraph 방식의 가상 투표로 고유 모델-출처 튜플의 최종성을 확정한다. MNIST 분류와 Penn Treebank 언어 모델링 실험에서 비잔틴·지연 참여자가 혼재하는 환경에도 검증 기반 원장 FL에 근접한 학습 품질을 유지하면서 조율 병목을 줄이고 처리량을 향상시킴을 보인다.
복잡한 산업 시스템의 이상 탐지를 그레인저 인과성(Granger causality) 일관성의 지속적 검증 문제로 재정의한 CAAD 프레임워크를 제안하며, 외생 시계열 변수를 잔차로 모델링하고 다중 스케일 정렬과 그래디언트 기반 행렬을 통해 내부 인과 관계 붕괴를 탐지한다. SWaT 데이터셋에서 F1 점수 0.95를 달성하며 기존 재구성·상관관계 기반 방법들을 능가하는 성능을 입증하였다.
기존 신경망 PDE 솔버들이 단일 GPU의 VRAM 한계로 처리 가능한 메시 해상도가 제약되는 문제를 해결하기 위해, PGD-NO는 기하 인코딩 연산을 결정론적 사전 계산 단계로 분리하여 1,000만 노드 이상의 대규모 메시에서도 선형적 메모리 확장성을 달성한다. 반복적 기하 분해 알고리즘으로 추출한 geometry token을 활용해 특징 추출과 솔루션 쿼리를 분리함으로써, 다양한 산업용 벤치마크에서 경쟁력 있는 예측 정확도와 어텐션 기반 해석 가능성을 함께 제공한다.
그래프 신경망(GNN)의 해석 가능성 문제를 해결하기 위해, PathBoost는 학습 과정에서 예측력 있는 경로(path)를 반복적으로 선택·확장하는 그래디언트 부스팅 기반의 해석 가능한 그래프 수준 예측 알고리즘이다. 이를 구현한 오픈소스 Python 패키지 path_boost는 scikit-learn 호환성, 병렬 학습, 변수 중요도 계산을 지원하며, 전이 금속 화합물 분자 특성 예측 및 여섯 개 분자 데이터셋 벤치마크에서 GNN 및 그래프 커널 방법과 경쟁력 있는 성능을 보였다.
러셀의 circumplex 모델을 기반으로 감정 간 심리적 근접성을 그래프로 인코딩하고, Graph Label Smoothing, Graph Laplacian, Sliced Wasserstein Distance 세 가지 정규화 전략을 통해 심리적으로 타당하지 않은 오분류에 더 큰 패널티를 부여하는 그래프 정규화 학습 프레임워크를 제안한다. SEED-IV 및 SEED-V 데이터셋에서 AudioTransformer, Conformer, DCGNN 세 가지 백본 아키텍처 전반에 걸쳐 일관된 성능 향상을 달성했으며, 최선의 경우 정확도 최대 +5.42% 향상 및 심리적으로 부적절한 오분류(Proximity Violation) 39% 감소를 기록했다.
시간적 그래프 네트워크(TGN)의 예측 설명 시 기존 방법들이 메모리 모듈을 간과하는 문제를 해결하기 위해, 위상 귀속 트리(topology attribution tree)와 메모리 역추적 트리(memory backtracking tree)를 결합한 프레임워크를 제안한다. LRP(Layer-wise Relevance Propagation)를 적용해 이벤트 기여도 합산이 모델 로짓과 일치하도록 보장하며, 9개 시간적 그래프 데이터셋에서 최신 기준 모델 대비 우수한 충실도(fidelity)를 달성했다.
희소 센서 데이터만으로 도시 내 고해상도 바람장을 재구성하기 위해, GenDA는 CFD 시뮬레이션으로 학습된 다중 스케일 그래프 기반 확산 모델에 분류기 없는 가이던스(classifier-free guidance)를 적용하여 기하학 인식 사전 분포와 센서 관측 제약을 결합하는 생성적 데이터 동화(data assimilation) 프레임워크를 제안한다. 지도 학습 GNN 및 고전적 저차원 데이터 동화 기법 대비 RRMSE를 25~57% 감소시키고 SSIM을 23~33% 향상시켰으며, 재학습 없이 학습에 포함되지 않은 메시 기하구조와 센서 배치에도 일반화됨을 실제 영국 브리스톨 도시 RANS 시뮬레이션으로 검증하였다.
해마의 장면 충돌 감지 및 CA1 신규성 탐지 메커니즘에서 영감을 받아, 웹 금융 사기의 롱테일 분포와 위장 행동이라는 두 가지 난제를 해결하는 하이퍼그래프 학습 모델 HIMVH를 제안한다. 6개 데이터셋에서 15개 SOTA 모델 대비 AUC 6.42%, F1 9.74%, AP 39.14% 향상을 달성했다.