PyTorchKR Papers

최신 논문

총 3,895편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.03097v1cs.LG

역할 인식 클러스터링을 통한 이종 그래프 압축

Heterogeneous Graph Condensation via Role-Aware Clustering

대규모 이종 그래프에서 HGNN 학습의 계산 비용 문제를 해결하기 위해, 타깃 노드와 비타깃 노드의 역할 비대칭성을 활용한 역할 인식 하이브리드 클러스터링 기반 그래프 압축 프레임워크 HGC-RC를 제안한다. HGC-RC는 경량 전파로 의미론적 임베딩을 추출한 후 클래스 분할 클러스터링과 비지도 타입별 클러스터링을 결합하여 기존 최적화 기반 방법 대비 낮은 압축 비용으로 최신 기준 모델들을 능가하는 성능을 달성한다.

arXiv:2607.03039v1cs.LG

동적 이징 모델에서의 분포 외 신경망 추론

Out-of-distribution Neural Inference in Dynamical Ising Models

신경망은 동역학적 관측으로부터 숨겨진 물리적 구조를 추론하는 데 점점 더 많이 활용되고 있으나, 분포 외(out-of-distribution) 성능이 전이 가능한 물리 법칙 학습을 반영하는지는 아직 불분명하다. 우리는 이 문제를 통제된 역문제(inverse problem), 즉 글라우버 자화 궤적(Glauber magnetization trajectories)으로부터 동역학적 이징 모델의 상호작용 그래프를 재구성하는 문제에서 다룬다. 합성곱(convolutional), 그래프(graph), 트랜스포머(Transformer), 하이브리드(hybrid) 아키텍처 전반에 걸쳐, 데이터 기반 학습이 위상(topology) 및 온도 변화 하에서 서로 다르고 재현 가능한 통계적 전략을 생성함을 발견하였다. 엣지 집단(edge-population) 진단을 통해, 트랜스포머 기반 모델은 학습 앙상블의 링크 밀도를 보존하는 경향이 있는 반면, 합성곱 모델은 다수 클래스인 링크 없음(no-link) 클래스를 활용하여 희소하거나 링크가 없는 예측으로 붕괴되어 분포 외에서도 안정적으로 보일 수 있음이 드러났다. 따라서 높은 분포 내 정확도와 겉보기의 분포 외 강건성이 반드시 동역학-구조 규칙의 학습을 의미하지는 않는다. 오히려 신경망 재구성은 아키텍처에 의존하는 통계적 사전(statistical prior)에 의해 지배될 수 있다. 본 연구의 결과는 물리적 역문제에서 표준 데이터 기반 학습의 구체적인 실패 양상을 규명하고, 머신러닝 보조 과학적 발견을 위한 규칙 기반 원칙의 필요성을 제기한다.

arXiv:2607.03007v1cs.LG

기본으로 돌아가기: SMILES-그래프 변환을 통한 LLM의 분자 이해 향상

Back to Basics: Improving Molecular Understanding in LLMs via SMILES-Graph Translation

분자 대규모 언어 모델(LLM)의 최근 발전은 분자 이해 및 생성 태스크에서 강력한 성능을 이끌어냈지만, 이러한 성과는 종종 신뢰할 수 있는 구조적 그라운딩 없이 달성된다. 특히, 기존 접근법들은 구조가 기능을 결정한다는 화학 원리와 상충한다. 다운스트림 태스크에서의 성공에도 불구하고, 현재의 분자 LLM은 기본적인 구조 인식에서 낮은 성능을 보이며, 이는 정규 SMILES에서 분자 그래프를 포착하는 데 실패하고 있음을 시사한다. 이를 해결하기 위해, 우리는 SMILES-그래프 변환을 통해 구조적 이해를 강화하는 구조 우선(structure-first) 프레임워크인 MolBasic을 제안한다. MolBasic은 다단계 구조 인식 벤치마크를 중심으로 구축되며, 양방향 SMILES-그래프 변환이 순차적 표현과 위상적 표현을 정렬하는 핵심 태스크로 기능한다. 이 기반 위에서, 우리는 표준화된 사고의 연쇄(Chain-of-Thought, CoT)를 활용한 점진적 학습 방식을 적용하여 모델이 구조 습득에서 고차원적 분자 추론으로 나아가도록 유도한다. 실험 결과, MolBasic은 구조적 이해를 크게 향상시키고 속성 예측 및 목적 최적화를 포함한 다운스트림 태스크에서도 견고한 성능 향상을 달성함으로써, 우리의 구조 우선 패러다임을 뒷받침한다.

arXiv:2607.02990v1cs.LG

MABLE: 임베딩 및 그래프 메트릭 학습을 위한 양방향 립시츠 디코딩을 적용한 마스크드 오토인코딩

MABLE: Masked Autoencoding with Bi-Lipschitz Decoding for Embeddings and Graph Metric Learning

우리는 대규모 이종 그래프에서 노드 및 그래프 임베딩을 학습하기 위한 자기지도 프레임워크인 MABLE(Masked Autoencoding with Bi-Lipschitz Decoding for Embeddings and Graph Metric Learning)을 제안하며, 여기서는 지리공간 광물 탐험 데이터를 대상으로 이를 실증한다. MABLE은 마스크 재구성과, 매칭된 증강 뷰를 정렬하면서 동시에 쌍을 이루지 않는 임베딩을 충분히 분산시키는 고정된 코사인 유사도 손실을 결합한다. 양방향 립시츠 특징 디코더는 각 노드 임베딩의 저차원 재구성 구성요소를 특징 유사도와 결부시키고, 매칭된 노드 일관성은 그래프 풀링에 사용되는 나머지 컨텍스트를 형성한다. 립시츠 제어 풀링은 유지된 노드 임베딩의 섭동 하에서 그래프 수준 표현의 안정화를 돕고, 증강 정렬은 마스킹, 노드 드롭, 샘플링 변이에 대한 강건성을 학습시킨다. 지역 구리 및 광역 아라비안 실드(Arabian Shield) 연구에 걸쳐, MABLE 임베딩은 보완적인 다운스트림 신호를 제공하고, 학습된 판별자나 하드 네거티브 선택 없이 가설 생성을 위한 일관된 임베딩 기반 레이어를 생성한다.

arXiv:2607.02944v1cs.LG

부작용 인식 약물 재설계를 위한 선례 기반 공동 과학자 시스템

A Precedent-Guided Co-Scientist for Side-Effect-Aware Drug Redesign

우리는 지정된 부작용을 완화하는 동시에 치료 기능을 보존하기 위해 모화합물(parent compound)을 수정하는, 부작용 인식 약물 재설계를 위한 선례 기반 공동 과학자 시스템인 PRECEDE를 제안한다. 단독적인 분자 생성 대신, PRECEDE는 재설계를 약물-부작용 연관성, 생의학 지식 그래프, 안전성 기반 최적화의 선례에 대한 증거 기반 추론으로 정의하며, 명시적 정책과 인간 검토 체크포인트를 갖춘 대규모 언어 모델(LLM) 오케스트레이터가 이를 조율한다. 우리는 PRECEDE를 가설이 감사 가능하고, 반증 가능하며, 기존 약리학의 범위 내에 한정되는 인간 감독 AI-for-science 워크플로우로 위치시킨다.

arXiv:2607.02928v1cs.LG

CoFEND: 콜드-스타트 약물-약물 상호작용 예측을 위한 교차 모달 융합 엔드-투-엔드 네트워크

CoFEND: A Cross-Modal Fusion End-to-End Network for Cold-Start Drug-Drug Interaction Prediction

새로운 약물에 대한 콜드-스타트 약물-약물 상호작용(DDI) 예측은 예기치 않은 부작용을 최소화하는 데 매우 중요하다. 핵심 과제는 새로운 약물과 기존 약물 간의 유사성을 포착하는 것이다. 그러나 이러한 유사성은 약물, 효소, 수송체, 분자 구조 및 기타 생의학적 개체들 간의 복잡한 관계와 메커니즘과 밀접하게 연관되어 있다. 기존 방법들은 이러한 유사성을 포착하는 데 세 가지 한계를 지닌다: (1) 부분적인 관계와 메커니즘만이 고려되어 교차 모달 정보가 간과되고 불완전하거나 편향된 유사성 모델링이 이루어지며; (2) 새로운 약물과 기존 약물 간의 유사성 계산이 모달리티별로 분리되어 콜드-스타트 DDI 예측을 위한 오프라인 방식으로 수행됨으로써 유사성 계산과 DDI 예측 간의 불일치가 발생하고; (3) 기존의 해석가능성 분석은 일반적으로 단일 모달리티에 그치며 주로 유발 약물(perpetrator drug)의 핵심 결정 인자에 초점을 맞추는 반면, 피해 약물(victim drug)의 취약성에 대한 근본적인 원인은 거의 탐구되지 않는다. 이러한 문제를 해결하기 위해, 본 논문은 세 가지 구성 요소로 이루어진 새로운 교차 모달 융합 엔드-투-엔드 학습 네트워크(CMF-ELN)를 제안한다. 첫째, 다양한 멀티모달 정보를 활용하여 네 가지 유형의 약물 중심 지식 그래프를 구축함으로써 재구성 기반 감독 하에 포괄적인 유사성 모델링을 가능하게 한다. 둘째, 엔드-투-엔드 학습 프레임워크 내에서 교차 모달 유사성을 융합하기 위한 4채널 그래프 오토인코더를 설계한다. 마지막으로, 유발 약물과 피해 약물 모두에 대한 핵심 인자를 정밀하게 국소화하기 위한 2단계 해석가능성 기법을 고안한다. 두 개의 실제 데이터셋에 대한 광범위한 실험을 통해 CMF-ELN이 기존 방법들에 비해 예측 정확도와 메커니즘에 대한 해석가능성 모두에서 유의미하게 높은 성능을 달성함을 입증한다.

arXiv:2607.03709v1cs.CL

GRASP: 고충실도 관련 연구 생성을 위한 그래프 추론 기반 서베이 계획

GRASP: Graph-Reasoning Aided Survey Planning for High-Fidelity Related Work Generation

문헌 리뷰를 작성하려면 인용 논문들 간의 관계, 즉 논문들이 서로를 어떻게 발전시키고, 반박하거나, 대안적 관점을 제시하는지에 대한 깊은 이해가 필요하다. 우리는 관련 연구 생성을 위한 대규모 언어 모델(LLM) 계획과 그래프 알고리즘을 결합하여 인용 논문들 간의 핵심 관계를 추출하는 프레임워크인 Graph-Reasoning Aided Survey Planning(GRASP)을 제안한다. 우리의 2층(two-layer) 그래프 구조는 사고의 그래프(Graph of Thoughts)와 논증-반론 계획 네트워크(Argument-Counterargument Planning Network)로 구성되어 인용 논문들을 서로 다른 세분화 수준으로 표현하며, Steiner 트리를 통한 위상 인식 가지치기(topology-aware pruning)를 적용하여 그래프에 포착된 핵심 논문 간 관계를 식별한다. 인용 분석 기반 평가 결과, GRASP가 생성한 관련 연구 섹션(RWS)은 담화 역할, 의도, 인용 그룹화 측면에서 인간이 작성한 목표 텍스트와 매우 유사하게 일치함을 보였다.

arXiv:2607.03447v1cs.IR

TRIAGE: 신뢰할 수 있는 검색 계측 및 그래프 평가

TRIAGE: Trustworthy Retrieval Instrumentation And Graph Evaluation

그래프 기반 검색-증강 생성(Graph-RAG)의 기반이 되는 지식 그래프(KG)는 전문가의 큐레이션이 아닌 LLM 기반 추출에 의해 자동으로 구축되는 경우가 점점 늘어나고 있다. 적절한 평가를 위해서는 추출, 그래프 구축, 추론 등 관련된 모든 단계를 계측하여 오류를 국소화할 수 있어야 하며, 특정 단계에서 발생한 실패가 최종 단계에서 오답으로만 발견되는 일이 없도록 해야 한다. 우리는 자동화된 문서 기반 Graph-RAG를 위한 단계 인식 계측 프레임워크 TRIAGE를 소개한다. TRIAGE는 기반 그래프의 신뢰 가능 여부뿐만 아니라 그래프 질의에 드는 비용까지 함께 묻는다. TRIAGE는 세 단계에 단계별로 독립적으로 해석 가능한 지표를 부착한다: KG 구현 단계(트리플 신뢰도, 출처 커버리지, 스키마 및 정규화 검사), 전문가에 의한 KG 검증 단계(그래프 수준 구조적 품질, 참조가 제공될 때 오프라인 캘리브레이션으로만 계산되는 정확성 및 완전성), KG 활용 단계(검색 커버리지, 충실도, 검색 비용). 배포된 지표는 골드 어노테이션이 필요 없으며, 골드 어노테이션을 요구하는 지표는 오프라인 캘리브레이션 용도로만 사용된다. 활용 시점에 이 지표들은 필요 조건들의 진단 체인을 형성하며, 처음으로 끊어진 연결고리가 실패를 국소화하고, 해당 진단은 이를 해결할 수 있는 단계별 조정 수단—추출, 그래프 및 스키마, 또는 검색—으로 매핑된다. TRIAGE는 개념 증명과 재현 가능한 평가 프로토콜을 갖춘 이론적 프레임워크다.

arXiv:2607.03883v1cs.CV

SGF-CDNet: 얼굴 위조 탐지를 위한 의미-기하 융합 노드 기반 일관성-불일치 그래프 네트워크

SGF-CDNet: A Consistency-Discrepancy Graph Network over Semantic-Geometric Fused Nodes for Face Forgery Detection

딥페이크(deepfake)의 급격한 발전으로 인해 견고한 얼굴 위조 탐지가 필요해졌다. 위조된 얼굴에는 명확한 아티팩트가 없을 수 있지만, 서로 다른 얼굴 영역 간에 미묘한 부조화가 존재하는 경우가 많다. 우리는 의미-기하 융합(SGF) 노드 기반의 일관성-불일치 그래프 네트워크(CD-GNN)인 SGF-CDNet을 제안한다. 먼저, SGF-CDNet은 얼굴 파싱에서 추출한 의미 영역과 얼굴 랜드마크의 기하 정보를 깊이 융합하여 SGF 노드를 구성함으로써, 각 노드가 고수준 개념과 정밀한 기하학적 제약을 모두 포착할 수 있도록 한다. 다음으로, 이중 경로 CD-GNN은 이 노드들에 대해 일관성과 불일치의 두 차원에서 병렬 관계 추론을 수행한다. 일관성 경로는 얼굴 구성 요소가 자연스러운 생물학적 패턴을 따르는지 평가하고, 불일치 경로는 위조에 의해 도입된 구조적 긴장과 특징 충돌을 탐색한다. 이 두 과정을 통합함으로써, 우리 모델은 얼굴 구성 요소 간의 부조화 관계를 효과적으로 식별한다. 공개 데이터셋에 대한 광범위한 실험을 통해 SGF-CDNet이 우수한 성능을 달성함을 입증하며, 이를 얼굴 위조 탐지를 위한 신뢰할 수 있는 솔루션으로 자리매김한다.

arXiv:2607.03327v1cs.CV

일반 동작에서 도메인 특화 모니터링으로: 스켈레톤 기반 행동 인식을 위한 사전 적응형 전이학습

From General Actions to Domain-Specific Monitoring: Prior-Adaptive Transfer for Skeleton-Based Action Recognition

스켈레톤 기반 행동 인식 모델은 최근 일반적인 동작을 다루는 대규모 벤치마크에서 우수한 성능을 보이고 있다. 그러나 이러한 모델을 헬스케어 모니터링과 같은 도메인 특화 과제에 직접 전이하는 것은 종종 최적이 아닌데, 이는 해당 과제들이 범위가 좁고 일반적인 동작 사전(prior) 중 일부에만 연관될 수 있기 때문이다. 또한, 사전학습된 동작 패턴 모두가 특정 과제에 동일하게 유용하지는 않으며, 관련성이 낮은 구성 요소를 유지하면 적응을 저해하고 계산 비용을 증가시킬 수 있다. 이러한 문제를 해결하기 위해, 우리는 Prior-Adaptive Transfer of Skeletons(PATS)를 제안한다. PATS는 전이 과정에서 과제 관련 동작 사전을 선택적으로 유지하고 중복된 사전을 제거함으로써 일반적인 스켈레톤 기반 모델을 적응시키는 프레임워크이다. PATS는 비디오에서 스켈레톤 신호를 추출하고 일반 동작으로 사전학습된 시공간 백본을 활용하는 표준 파이프라인을 따른다. 핵심 기여는 반복적인 가지치기(pruning)와 정제를 통해 사전 선택 메커니즘으로서 모델 압축을 수행하는 새로운 Adaptive Prior Transfer 모듈에 있다. 알츠하이머 탐지와 낙상 탐지라는 두 가지 특화된 행동 인식 과제에 대한 실험에서, PATS는 경쟁력 있는 기준 모델들 대비 성능과 효율성 모두에서 일관된 향상을 보여준다. 코드는 논문 게재 승인 후 공개될 예정이다.

arXiv:2607.03156v1cs.CV

DistillH-Mamba: 효율적인 충격 낙상 감지를 위한 하이퍼그래프-Mamba 기반 지식 증류 모델

DistillH-Mamba: A Hypergraph-Mamba-Based Knowledge Distillation Model for Efficient Impact Fall Detection

노인 낙상은 그 발생 빈도, 결과, 사회적 부담으로 인해 중요한 공중 보건 문제입니다. 심층 학습(deep learning)이 낙상 감지를 개선했지만, 충격 순간(개인이 지면에 닿는 시점)을 정확히 식별하는 것은 여전히 어려운 과제입니다. 또한 현재 알고리즘들은 높은 계산 요구량을 가진 복잡한 모델에 의존하는 경우가 많아 실시간 배포 가능성이 제한됩니다. 본 연구에서는 세 가지 핵심 혁신을 통해 이러한 문제를 해결하는 충격 낙상 감지용 새로운 아키텍처 DistillH-Mamba를 제안합니다. 첫째, 여러 관절 간의 고차 관계를 동시에 포착하는 하이퍼그래프 기반 접근법을 도입하여 충격 낙상 시 복잡한 상호작용을 보다 정확하게 모델링합니다. 둘째, 충격 감지를 위해 Mamba 아키텍처와 하이퍼그래프를 통합하여 처리 속도를 크게 향상시키면서 장기 의존성과 갑작스러운 골격 동작 변화를 모두 효율적으로 포착합니다. 셋째, 실시간 충격 낙상 감지를 위한 계산 요구량을 줄이면서 중요한 공간-시간적 관계를 보존하는 관계형 지식 증류(knowledge distillation)를 적용합니다. 3D Skeletons UP-Fall 및 UMAFall 데이터셋에서 평가한 결과, DistillH-Mamba 모델은 낙상 이벤트 내 충격 감지에서 97.38%의 정확도를 달성했으며, 교사 모델(teacher model) 대비 추론(inference) 시간을 73.8% 단축하여 정밀도(precision)와 효율성 모두에서 최신 기법들을 능가했습니다.

arXiv:2607.02638v1cs.CV

CLABTOOLKIT: 신경영상 데이터의 일상적 처리, 조작 및 시각화를 위한 오픈소스 툴킷

CLABTOOLKIT: An Open-Source Toolkit for Routine Processing, Manipulation, and Visualization of Neuroimaging Data

신경영상 연구는 원시 MRI 볼륨, 체적 분할(volumetric parcellation), 피질 표면 메시(cortical surface mesh), 트랙토그램(tractogram), 연결성 행렬(connectivity matrix) 등 이질적인 데이터 구조를 호환되지 않는 인터페이스와 파일 형식을 가진 도구들 간에 다루어야 하므로, 연구자들이 기술적으로 까다로운 루틴 작업을 반복적으로 재구현해야 하는 상황에 처하게 된다. 본 논문에서는 체적, 표면, 스트림라인 데이터를 상호운용 가능한 Python 객체로 표현함으로써 이러한 작업들을 단일하고 일관된 프레임워크로 통합한 오픈소스 Python 패키지 CLABTOOLKIT을 소개한다. 다섯 가지 핵심 데이터 구조(Parcellation, Surface, AnnotParcellation, Tractogram, Connectome)는 일반적인 신경해부학적 개체를 캡슐화하고, NIfTI, GIFTI, FreeSurfer 어노테이션, TCK/TRK 등 표준 신경영상 형식 간 데이터 로딩, 처리, 내보내기를 위한 일관된 메서드를 제공하며, 분할로부터의 커넥톰 생성 및 트랙토그램 스트림라인에 대한 스칼라 맵 투영도 지원한다. 보완 모듈은 BIDS 데이터셋 관리, FreeSurfer 통합, 확산 MRI 처리, 형태계측 분석(morphometric analysis), 그래프 이론 기반 네트워크 분석, PyVista를 통한 GPU 가속 다중 패널 시각화를 지원한다. 이 툴킷은 6개 계층으로 구성된 19개 모듈로 이루어지며, 234개의 메서드와 207개의 독립 함수를 가진 13개의 객체지향 클래스를 제공하고, JSON 기반 설정 시스템을 통해 코드 변경 없이 워크플로우를 커스터마이징할 수 있다. 이러한 작업들을 별도로 다루는 기존 신경영상 라이브러리와 달리, CLABTOOLKIT은 색상 및 룩업 테이블 관리, 분할 조작, 다중 표면 시각화, 섬유추적(tractography) 유틸리티를 단일 프레임워크 내에 결합한다. CLABTOOLKIT은 Python 3.9-3.12와 호환되며 Apache 2.0 라이선스 하에 배포된다. 소스 코드, 문서, 예제 워크플로우는 https://github.com/connectomicslab/clabtoolkit에서 확인할 수 있다.

arXiv:2607.02573v1cs.CV

희박한 제어 기하로부터 이슬람 기하 패턴의 대칭 구조 신경망 완성

Symmetry-Structured Neural Completion of Islamic Geometric Patterns from Sparse Control Geometry

이슬람 기하 패턴은 정확한 회전 대칭과 엄격한 작도 규칙에 의해 지배된다. 본 논문은 이러한 규칙을 형식적 기하 지식으로 간주하고, 이를 데이터로부터 통계적으로 학습하는 대신 신경망 완성 프레임워크에 내장한다. 희박한 제어 기하와 목표 대칭 차수가 주어지면, 시스템은 순환군 하의 회전 궤도(rotational orbit)로 구성된 에지를 가진 후보 격자(lattice) 위에서 에지와 유계 곡선의 정제를 예측함으로써 패턴을 벡터 그래프로 완성한다. 대칭은 예측을 이 궤도 내로 제한하거나 추론 시 궤도에 투영함으로써 강제된다. 궤도 연동(orbit-tied) 변형은 구성적 보장을 제공한다: 임의의 입력과 임의의 궤도 수준 선택 규칙에 대해 정확한 N겹 대칭을 생성하고, 앵커 포인트를 보존하며, 모든 정제를 규정된 범위 내에 유지한다. 이러한 속성들은 수치적으로 검증된다. 본 연구는 회전 대칭에 초점을 맞추며, 모든 정량적 결과는 역사적 코퍼스가 아닌 이슬람 기하 디자인에서 영감을 받아 절차적으로 생성된 그래프로부터 도출된다. 깨끗한 입력에서 정확한 유효성을 강제해도 충실도에 측정 가능한 손실이 발생하지 않는다. 제어 기하가 누락된 경우, 비구조적 디코더는 충실도가 저하되고 대칭이 깨지며, 손상된 입력으로 재학습하면 충실도는 상당 부분 회복되지만 정확한 유효성은 회복되지 않는다. 반면 대칭 구조 추론은 위반을 전반에 걸쳐 0으로 유지한다. 결과는 증강(augmentation)과 대칭 구조가 서로 다른 실패 모드를 해결함을 보여준다: 증강은 손상 하에서의 충실도를 개선하고, 대칭 구조는 유효성을 보장한다. 따라서 이 프레임워크는 정확한 기하 구조에 유효성이 의존하는 확장 가능한 벡터 장식물에 대한 신경망 완성의 지식 제약적이고 보장이 뒷받침된 접근법을 제공한다.

arXiv:2607.02981v1cs.CR

GNN과 KAN을 활용한 IoT 네트워크 침입 탐지를 위한 향상된 특징 추출

Enhanced Feature Extraction for IoT Network Intrusion Detection Using GNNs and KAN

사물인터넷(IoT)의 최근 발전은 고급 네트워크 보안에 대한 긴박한 필요성을 강조하는데, IoT 네트워크는 동적 토폴로지, 불균형 트래픽, 복잡한 공격 패턴을 특징으로 한다. 일반 IT 네트워크와 달리 IoT 환경은 극도의 이기종성과 희소한 토폴로지를 보인다. 기존 GNN 기반 침입 탐지 방법은 이러한 환경에서 노드 및 에지 특징을 효율적으로 모델링하거나 세밀한 이상 징후를 포착하는 데 어려움을 겪는 경우가 많다. 이를 해결하기 위해, 우리는 다중 스케일 선택적 커널 어텐션 메커니즘으로 GraphSAGE를 강화하는 IoT 맞춤형 새로운 접근법인 SKGFusionKAN을 제안한다. 이를 통해 다양한 트래픽 조건에서 노드 및 에지 특징을 적응적으로 추출할 수 있다. 구체적으로, 에지 중심 메시지 패싱(edge-oriented message passing)이 정보 전파를 강화하는 한편, 선택적 커널 어텐션은 이기종성을 처리하기 위해 서로 다른 스케일에서 에지 파생 정보에 적응적으로 가중치를 부여한다. 또한 진화하는 공격에 대한 강건성을 향상시키기 위해 다중 스케일 특징을 동적으로 통합하는 게이트 융합 프로세스를 도입한다. 마지막으로, 분류를 위해 Kolmogorov-Arnold Networks(KAN)를 활용하여 복잡하고 저빈도 공격 탐지에 필수적인 우수한 비선형 모델링 능력을 제공한다. 우리가 아는 한, 이 연구는 IoT 침입 탐지를 위한 전용 아키텍처 혁신과 함께 GNN 및 KAN의 포괄적인 통합을 제시한다. 네 가지 NIDS 벤치마크에 대한 광범위한 실험을 통해 SKGFusionKAN이 이진 및 다중 클래스 태스크에서 최신 기법들을 일관되게 능가함을 보여주며, IoT 보안에 대한 잠재력을 입증한다.

arXiv:2607.02941v1cs.AI

다중 제품 배송을 포함한 동적 조립 흐름 공정 스케줄링을 위한 슬라이딩 윈도우 기반 강화학습

A Sliding-Window-Based Reinforcement Learning for Dynamic Assembly Flow Shop Scheduling with Multi-Product Delivery

다중 제품 키팅 배송은 가공과 조립을 통합한 하이브리드 제조 시스템에서의 실시간 스케줄링에 상당한 어려움을 부과한다. 동적 주문 도착이 공급 의존성과 실현 가능한 작업-기계 할당 집합을 동시에 변화시키기 때문이다. 본 논문은 복잡한 키팅 제약 조건을 갖는 유연 조립 흐름 공정 스케줄링 문제(flexible assembly flow shop scheduling problem)에서의 엔드투엔드 온라인 스케줄링을 위한 슬라이딩 윈도우 기반 강화학습(SWRL) 프레임워크를 제안한다. 해당 문제는 이중 층(layer) 키팅 구조와 희소 보상(reward) 환경을 유발하는 말단 제품 병목 동태를 포착하는 이종 그래프 기반 마르코프 결정 과정(Markov decision process)으로 정식화된다. 이에 따른 문제를 해결하기 위해 SWRL은 세 가지 구성 요소를 통합한다: 비활성 노드를 필터링하고 키팅 핵심 작업을 우선시하는 슬라이딩 윈도우 필터링 메커니즘, 연속적인 결정 상태에 걸쳐 병목 변화를 추적하는 시공간 그래프 인코딩 네트워크, 그리고 가변 토폴로지 하의 변화하는 행동 공간에 적응하는 제약적 대기 전략을 갖춘 동적 행동 매핑 모듈이다. 가전 제조업체의 실제 인스턴스를 대상으로 한 실험에서 SWRL은 고전적 디스패칭 규칙 및 기존 심층 강화학습(deep reinforcement learning) 방법 대비 일관된 납기 지연 감소를 달성하였으며, 다양한 자원 구성, 주문 부하, 도착 집중도에 걸쳐 강건한 성능을 보였다.

arXiv:2607.01241v1cs.CL

Mapping Text to Multiplex Graph: Prompt Compression as Lévy Walk-Guided Graph Pruning

텍스트를 플랫한 토큰 시퀀스로 처리하는 기존 프롬프트 압축 방식의 한계를 극복하기 위해, RAGP는 세밀한 어텐션 기반 의존성과 거친 의미론적 관계를 동시에 모델링하는 멀티플렉스 그래프(multiplex graph) 위에서 중복 인식 그래프 가지치기(Redundancy-Aware Graph Pruning)를 수행한다. 밀집된 지역 서브그래프와 희소한 전역 연결이 혼재하는 이종 구조를 효율적으로 탐색하기 위해 Lévy walk를 도입하였으며, LongBench 벤치마크에서 4배 압축 비율로 평균 49.3점을 달성해 3배 압축의 LongLLMLingua(48.8점)를 능가하는 성능을 보였다.

arXiv:2607.02491v1cs.AI

G-RRM: Guiding Symbolic Solvers with Recurrent Reasoning Models

순환 추론 모델(RRM)은 제약 만족 문제에서 높은 예측 정확도를 보이지만 전역적 정합성을 보장하지 못하는 한계가 있어, 본 연구는 심볼 등변 RRM(SE-RRM)의 해 제안을 백트래킹 및 SAT 솔버(Glucose 4.1, CaDiCaL 3.0.0)의 분기 힌트로 활용하는 뉴로-심볼릭 프레임워크 G-RRM을 제안한다. 9×9 스도쿠 실험에서 백트래킹은 33.3×, Glucose 4.1은 1.70× 속도 향상을 달성했으나, 힌트를 덮어쓰지 못하는 CaDiCaL 3.0.0에서는 유의미한 성능 향상이 나타나지 않아 신경망 가이던스의 효과가 탐색 공간의 규모와 솔버의 힌트 수정 능력에 달려 있음을 밝혔다.

arXiv:2607.01416v1cs.CV

히트맵을 넘어서: 해석 가능한 시각적 설명을 위한 비지도 개념-그래프 추론

Beyond Heatmaps: Unsupervised Concept-Graph Reasoning for Interpretable Visual Explanation

기존 개념 병목 모델(CBM)의 한계인 사전 정의된 어휘 의존성과 공간적 개념 그라운딩 부재를 해결하기 위해, 비음수 행렬 분해(NMF)로 비지도 개념 발견을 수행하고 그래프 어텐션 네트워크(GAT)로 개념 간 의존성을 모델링하는 G-CBM을 제안한다. G-CBM은 ImageNet, HAM10000, PH2, Derm7pt에서 ResNet-50 대비 평균 3.7% AUC 향상을 달성하며, 외부 주석 없이도 지도 학습 기반 방식과 경쟁력 있는 성능을 보인다.

arXiv:2607.01370v1cs.CV

MapDreamer: 차선 수준 지도 생성을 위한 항공 이미지 조건부 잠재 확산 모델

MapDreamer: Aerial Imagery Conditioned Latent Diffusion for Lane-Level Map Generation

단일 항공 이미지에서 명시적 위상 구조를 갖는 차선 수준의 벡터 지도를 생성하는 생성 확산 모델 MapDreamer를 제안하며, VAE로 차선 중심선과 위상 관계를 잠재 공간에 인코딩하고 트랜스포머 기반 잠재 확산 모델(LDM)로 그래프를 예측한다. 차선 수 변화에 대응하는 ghost lane latents와 lane cardinality 모듈, 그리고 슬라이딩 윈도우 전역 그래프 집계 전략을 도입하여, Argoverse 2 기반 UrbanLaneGraph에서 비생성적 베이스라인 대비 향상된 기하학적·위상적 충실도를 달성하였다.

arXiv:2607.02166v1cs.LG

Dynamic Neural Graph Encoding of Inference Processes in Deep Weight Space

신경망의 가중치 공간(weight space)을 분석하는 기존 방법들이 추론(inference) 시 계층별 순차 처리 특성을 간과한다는 문제를 해결하기 위해, 동적 그래프(dynamic graph)로 신경망 파라미터를 표현하는 DNG-Encoder를 제안한다. 이를 기반으로 개발한 INR2JLS는 암묵적 신경 표현(INR, Implicit Neural Representation) 분류 과제에서 CIFAR-100-INR 기준 최신 기법 대비 약 10% 향상된 성능을 달성했다.