공공 안전 시공간 데이터의 분산 저장에서 시공간 근접성 보존과 부하 균형을 동시에 달성하기 어려운 문제를 해결하기 위해, 정보 손실 임계값 기반의 격자 축소를 수행하는 STPM과 그래프 표현 학습으로 균형 분할을 최적화하는 GPM을 결합한 IFL-LSTP를 제안한다. 실세계 데이터셋 실험에서 IFL-LSTP는 정보 손실 0.15 기준으로 격자 셀을 최대 36% 축소하면서 TrajSpark 대비 평균 5.76% 높은 시공간 근접성을 달성하였다.
생물의학 텍스트의 의미 드리프트(semantic drift) 문제를 해결하기 위해, 임베딩 재학습 없이 공기(co-occurrence) 그래프의 에지 가중치를 로지스틱 업데이트 규칙으로 동적으로 재배선하는 DATGR 프레임워크를 제안한다. BIOMRC 데이터셋에서 정적 기준선 대비 AUROC를 0.633에서 0.699로 향상시키면서 AUPRC는 유사한 수준(~0.74)을 유지해, 경량의 에지 수준 적응만으로도 시간적 의미 변화를 효과적으로 포착할 수 있음을 보인다.
분산 5G 네트워크의 협력 빔포밍(Coordinated Beamforming)에서 백홀 지연으로 인해 스케줄링 정보가 오래되는 문제를 해결하기 위해, StemGNN(Spectral Temporal Graph Neural Network)을 활용해 지연된 과거 관측값으로부터 미래 단말(UE) 스케줄링 상태를 예측하는 2단계 예측 프레임워크를 제안한다. 3셀 대규모 MIMO(massive MIMO) 환경에서 StemGNN은 평균 87.57%의 스케줄링 예측 정확도로 LSTM, GRU 등 기준 모델을 능가하며, CBF-SLNR 프리코더에 통합 시 1 TTI 백홀 지연으로 인한 합산 전송률 손실의 57~73%를 복구하고 셀 경계 사용자의 공정성 손실도 최대 83%까지 회복함을 보였다.
PolyUQuest는 웹 페이지를 단순 텍스트로 처리하는 기존 RAG 시스템의 한계를 극복하기 위해, 페이지 간 하이퍼링크 토폴로지·DOM 계층 구조·개체-관계 지식을 통합한 이종 그래프(heterogeneous graph) 기반의 구조 인식 웹 RAG 프레임워크를 제안한다. 2단계 라우터로 직접 블록 검색, 페이지 간 그래프 순회, 다중 홉 개체 추론 중 쿼리에 적합한 검색 모드를 선택하며, PolyU 공식 웹사이트 4,240개 페이지 대상 평가에서 기존 RAG 시스템 대비 답변 정확성·커버리지·충실도 모두 향상시키면서 LLM 토큰 소비를 크게 줄였다.
촉매는 지속 가능한 화학 제조에 필수적이지만, 새로운 구조를 발견하는 과정은 시행착오적 실험과 계산 집약적 스크리닝이 지배하는 병목 구간으로 남아 있다. 전기화학적 이산화탄소 환원과 같은 복잡한 반응에서 생성물 선택성은 동적 계면, 전해질 및 전위 인자와 더불어 반응 경로 간의 운동학적 경쟁에 의해 결정된다. 기존의 디스크립터 기반 머신러닝 및 계산 포텐셜은 종단 간 위상학적 경로 분석보다는 주로 정적 바닥 상태 디스크립터나 벌크 구조적 상관관계에 의존하여 이러한 기계론적 분기점을 해결하는 데 어려움을 겪는다. 본 연구에서 우리는 프론티어 언어 모델이 명시적 반응 네트워크에 대한 추론을 엄격히 제약받을 때, 경로 경쟁을 지배하는 물리적 레버를 식별함으로써 새로운 촉매를 발견할 수 있음을 보인다. 우리는 복잡한 화학 그래프에서 검증 가능한 가설을 추출하기 위해 네트워크 불변성을 강제하는 인간-AI 공동 사고 프레임워크를 개발했다. CO2 전기환원에 적용한 결과, 이 프레임워크는 케텐(ketene) 탈착과 수산화물 포획을 아세테이트 형성 경로로 식별하고, 케텐으로 이어지는 별도의 흡착된 CO와 CH2 결합 경로를 예측했다. 실행 가능한 제어 레버, 구체적으로 국소 알칼리성, 제어된 철 혼입, 제한된 계면 양성자 공여체 접근성을 분리함으로써, 이 프레임워크는 매칭된 Cu 풍부 기준선 대비 아세테이트 선택성을 3배 향상시킨 구리-산화철 촉매의 전향적 합성을 이끌었다. 이 기계론적 추론 아키텍처는 계산 패러다임을 소급적 통계 예측에서 전향적 가설 생성으로 전환하며, 기계론적 소재 발견을 위한 광범위하게 적용 가능한 청사진을 제공한다.
표면 근전도(sEMG) 신호에서 전극 간 피어슨 상관계수를 기반으로 그래프를 생성하고, 이를 그래프 신경망(GNN)으로 분류하는 실시간 손 제스처 인식 방법을 제안한다. Myo band로 수집한 8명 피험자의 데이터에서 평균 99% 분류 정확도와 48ms의 추론 지연을 달성하여 기존 최신 기법을 능가했다.
대규모 학술 컨퍼런스 데이터에서 연구자들이 핵심 정보를 효율적으로 획득하기 어렵다는 문제를 해결하기 위해, 개체명 인식(NER), 의미론적 텍스트 유사도, 트렌드 예측, 그래프 저장, 시각화 등의 핵심 기술을 활용한 지식 그래프(knowledge graph) 및 정확한 프로필(portrait) 구축 방법론을 종합적으로 검토한다. BiLSTM-CRF, BERT, Sentence-BERT, Informer 등 딥러닝 기반 접근법들이 컨퍼런스 지식 서비스 구축을 어떻게 지원하는지 체계적으로 정리한다.
RGBT 비디오 객체 검출에서 모달 간 공간적 비정렬 문제를 해결하기 위해, 패치 기반 공간 정렬 모듈(PSAM)과 이중 하이퍼그래프 융합 모듈(DHFM)로 구성된 DHNet을 제안하여 시간적·공간적 상관관계를 동시에 모델링한다. 또한 1,000개 비디오 시퀀스와 103,464쌍의 RGBT 이미지로 구성된 대규모 벤치마크 DVT-VOD1000을 구축하였으며, 실험을 통해 최첨단 검출 성능을 달성함을 입증하였다.
씬 그래프 씽킹(SaGe)은 평면적 이미지-텍스트 쌍을 계층적 씬 그래프로 변환하는 자동화 데이터 엔진을 통해 120K개의 구조적 학습 데이터를 구축하고, 지도 파인튜닝과 노드-프록시(node-as-proxy) 그래프 보상 기반 강화 파인튜닝의 2단계 사후학습으로 멀티모달 대규모 언어 모델(MLLM)에 세밀하고 관계 인식적인 시각 추론 능력을 내재화하는 패러다임이다. 8개의 멀티모달 벤치마크에서 세밀한 인식 및 추론 태스크에 걸쳐 일관된 성능 향상을 달성하며, 개별 객체 중심의 기존 접근법이 간과하던 구조적 장면 관계를 명시적으로 모델링하는 데 강력한 효과를 입증한다.
단안(monocular) 3D 인체 자세 추정은 2D-3D 리프팅 과정에서 발생하는 깊이 모호성으로 인해 본질적으로 불량 조건(ill-posed) 역문제로 남아 있다. 최신 비디오 기반 방법들은 시간적 컨텍스트를 활용하여 공간적 추론을 향상시키지만, 각 시퀀스를 독립적으로 처리한다는 핵심적인 패러다임 한계를 지니고 있어, 인간 동작 전반에 걸쳐 나타나는 강한 구조적 규칙성과 반복적 동작 패턴을 활용하지 못한다. 본 연구는 패턴 검색 및 적응 문제로서 자세 추정을 형식화하는 새로운 프레임워크인 패턴 재사용 그래프 합성곱 네트워크(Pattern Reuse Graph Convolutional Network, PRGCN)를 제안한다. PRGCN의 핵심은 관계형 그래프로 인코딩된 간결한 자세 프로토타입 집합을 학습하고 저장하는 그래프 메모리 뱅크로, 이를 어텐션 메커니즘을 통해 동적으로 검색하여 구조화된 사전 정보(structured priors)를 제공한다. 이러한 사전 정보는 메모리 기반 그래프 합성곱을 통해 하드코딩된 해부학적 제약과 적응적으로 융합되어 기하학적 타당성을 보장한다. 이 검색 과정을 뒷받침하는 강건한 시공간 특징을 위해, Mamba 기반 상태공간 모델의 선형 복잡도 지역 시간 모델링과 셀프-어텐션의 전역 관계 처리 능력을 시너지적으로 결합한 이중 스트림 하이브리드 아키텍처를 설계하였다. Human3.6M 및 MPI-INF-3DHP 벤치마크에 대한 광범위한 평가를 통해 PRGCN이 각각 37.1mm 및 13.4mm의 MPJPE를 달성하며 새로운 최고 성능(state-of-the-art)을 확립함과 동시에 향상된 크로스 도메인 일반화 능력을 보임을 입증하였다. 본 연구는 그동안 간과되어 온 시퀀스 간 패턴 재사용 메커니즘이 이 분야의 발전에 핵심적임을 주장하며, 패러다임을 시퀀스별 최적화에서 누적적 지식 학습으로 전환할 것을 제시한다.
RSF-GLLM은 지식 그래프 기반 멀티홉 질의응답에서 중간 노드와 쿼리 간 어휘적 중복이 없는 의미론적 간극 문제를 해결하기 위해, GRU 기반 쿼리 업데이터와 동적 게이팅 메커니즘을 활용한 순환 소프트-플로우(RSF) 모듈로 미분 가능한 그래프 추론을 수행하고 추출된 경로로 LLM을 파인튜닝하는 분리형 프레임워크다. WebQSP와 CWQ 벤치마크 실험에서 기존 LLM 기반 에이전트 방식 대비 월등히 향상된 추론 효율성으로 경쟁력 있는 성능을 달성했다.
아동의 단어 습득은 의미적·어휘적 범주에 관하여 불균등한가? 이 질문에 답하기 위해, 우리는 초기 언어 학습을 그래프 기반 심성 어휘집(mental lexicon)에 대한 탐색으로 모델링하며, 이는 두 가지 상호작용 과정인 확산 활성화(spreading activation)와 어휘 범주의 강제된 탐험(활용이 아닌)에 의해 구동된다. 우리는 네 가지 언어(독일어, 영어, 네덜란드어, 리오플라텐세 스페인어)에서 모델 성능을 평가하며, 어휘 범주의 정답 데이터로 CDI(Communicative Development Inventories)를, Wordbank 저장소에서 도출된 규범적 연령을, 그리고 단어 유사도 그래프 재구성을 위한 최신 자원을 활용한다. 우리는 확산 활성화가 규범적 단어 습득 시뮬레이션에서 최단 경로 기준선을 능가함을 발견한다. 범주 수준에서는 CDI들 간의 복잡한 전이를 부각시킨다. 동일 CDI 내에서의 폭발성(burstiness)과 평균 지속 시간의 관점에서 그 순서를 분석함으로써, 확산 활성화가 경험적으로 관찰된 탐험 역학을 더 잘 포착함을 발견한다. 전반적으로, 우리의 발견은 어휘 발달이 복잡 네트워크에서 어휘 범주 방문을 조절하는 일정한 제약과 활성화 역학 간의 비자명한 상호작용을 통해 이해될 수 있음을 시사한다.
NEST(Nested Episodic State Topology)는 인지를 구조화된 상태 형성 및 변환으로 모델링하기 위한 그래프 이론적 표현 온톨로지로, 개념·에피소드·지각·태스크 컨텍스트를 인과·포함·시간·연관·증거·공간의 6가지 관계 클래스로 타입화된 재귀적 가중치 그래프로 표현한다. 지속적 믿음 그래프와 용량 제한적 작업 기억 그래프를 분리하고, ACT-R·Soar·Global Workspace Theory 등 주요 인지 아키텍처를 단일 표현 언어의 제약된 영역으로 통합하는 호환성 매핑을 제시한다.
그래프 노이즈 제거에서 선형 어텐션이 학습 분포 전반의 평균 스펙트럴 필터만 학습할 수 있어 준최적임을 이론적으로 증명하고, 입력 그래프 스펙트럼을 직접 활용하는 Graph Convolutional Attention(GCA)을 제안하여 이 한계를 극복한다. GCA는 그래프 필터링된 쿼리와 키를 통해 스펙트럴 노이즈 제거를 구현하며, DiGress에서 고비용 구조적 특징 계산 없이 표준 그래프 트랜스포머에 필적하는 성능을 달성하고 PEARL 위치 인코딩과 결합 시 명시적 고유분해 없이도 빠른 추론이 가능함을 실험적으로 검증한다.
혼합 정수 선형 계획법(MILP) 인스턴스 생성 시 기존 방법들이 국소 부분과 전체 인스턴스 간의 결합 구조를 명시적으로 표현하지 못하는 문제를 해결하기 위해, 이 연구는 국소 부분 문제와 인터페이스를 기본 단위로 삼는 그래프 네이티브 생성기 GraphBU를 제안한다. GraphBU는 결합 노드를 마스터 제약식 또는 경계 변수로 승격시켜 호환성 기반 교체를 수행하며, 4개의 MILP 패밀리 실험에서 평균 그래프 통계 유사도 0.934, 실현 가능성 96.7%, 하류 Predict-and-Search 학습 지표 약 8.0% 향상을 달성했다.
대사공학에서 고부가가치 화학물질을 생산하는 미생물 균주 설계를 위해, 유전자·단백질·대사물질·발효 실험 등 13가지 노드 유형과 34가지 엣지 유형으로 구성된 690만 노드 규모의 지식 그래프(Knowledge Graph)에 ESM-2, MoLFormer, PubMedBERT를 결합한 이종 그래프 파운데이션 모델(Heterogeneous Graph Foundation Model) Canopy를 제안한다. 발효 역가(titer) 예측 태스크에서 Canopy 임베딩은 R²=0.41을 달성하여 테이블형 기계학습 베이스라인(최고 R²=0.24)과 동종 GNN 변형 모델을 모두 능가했다.
시공간 이벤트 데이터에서 반복되는 상호작용 패턴을 발견하기 위해 빈번한 폐쇄형 내포 서브-DAG(Directed Acyclic Graph)를 마이닝하는 DigDag 알고리즘 기반 접근법을 제안한다. 보스턴 범죄 사건 데이터셋 실험에서 기존의 SLEUTH 및 CSTPM 알고리즘 대비 동등한 파라미터 설정 하에 유의미하게 높은 효율성을 달성하였다.
3D 공간 기하(SchNet), 거시적 물리화학 기술자(Deep & Cross Network), SMILES 시퀀스 임베딩(ChemBERTa)을 결합한 삼중 분기 멀티모달 융합 신경망을 제안하여, 100만 개 미만의 파라미터로 QM9 벤치마크의 원자화 에너지 예측에서 MAE 0.0207 eV를 달성하였다. 단일 기하 기준선 대비 20.6% 오차 감소를 실현하며, 직교하는 모달리티 통합이 무차별적인 파라미터 확장의 효율적 대안임을 입증한다.
불규칙하고 희소한 임상 종단 기록에서 발생하는 결측값 문제를 해결하기 위해, SafeImpute는 환자 내 시간적 궤적과 환자 간 임상적 유사성을 이벤트 그래프로 모델링하고 이중 관계 GNN으로 대체 보정(imputation)을 수행한다. 여기에 더해 컨포멀 선택(conformal selection)과 Benjamini–Hochberg 절차를 결합하여 공개된 대체값 중 임상적으로 허용 불가한 오류의 위발견율(FDR)을 통계적으로 제어하며, Mayo Clinic, MIMIC-III, MIMIC-IV 데이터셋 실험에서 다양한 기준 모델을 능가하는 성능을 보였다.
미니배치 학습 시 커뮤니티 구조가 분리되는 "구조적 고립" 문제를 해결하기 위해, SCISE는 구조적 엔트로피 커뮤니티 제약 연산자(SECC), 커뮤니티 인식 샘플링 확장(CSampE), 구조적 대조 학습(StructCL)을 결합한 확장 가능한 비지도 그래프 클러스터링 프레임워크를 제안한다. 6개의 벤치마크 데이터셋 실험에서 기존 최신 알고리즘들을 크게 능가하며, 대규모 실세계 그래프에서의 효과성과 강건성을 입증하였다.