PyTorchKR Papers

최신 논문

총 3,895편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.27863v1cs.LG

GNBAN: 대규모 엔티티 집합에 대한 장기 예측을 위한 그래프 신경 기저 어텐션 네트워크

GNBAN: Graph Neural Basis Attention Networks for Long-Horizon Forecasting over Large Entity Sets

소매 계층의 최하단에서의 수요 예측은 제품, 매장, 지역에 걸친 수만 개의 상관된 장기 시계열을 예측하는 것을 요구한다. 현대 시스템은 방대한 카탈로그에 걸쳐 확장 가능해야 하고, 공유 수요 역학을 포착하며, 신뢰받을 만큼 충분히 해석 가능해야 한다. 고전적 통계 방법은 시계열마다 별도의 모델이 필요하고 대규모에서 관리하기 어렵다. 깊은 자기회귀 모델은 결합 상태가 수만 차원으로 커질수록 어려움을 겪는다. 최근 그래프 기반 예측기는 엔티티 간 의존성을 포착하지만, 종종 불투명한 장기 예측을 생성한다. 우리는 이질 그래프 표현 학습과 해석 가능한 기저 분해 헤드를 결합한 end-to-end 아키텍처인 GNBAN(Graph Neural Basis Attention Network)을 제안한다. 소매 데이터는 관계형 스키마에서 파생된 이질 그래프로 직접 표현되므로, 단일 모델이 전체 카탈로그를 처리한다. 예측 구간을 직접 예측하는 대신, GNBAN은 각 예측을 추세, 계절성, 일반 성분으로 분해한다. 핵심 혁신은 기저별 어텐션 메커니즘이다. 각 기저 함수는 고유한 학습 가능한 쿼리를 유지하고 엔티티의 과거 이웃으로부터 정보를 독립적으로 검색하여, 서로 다른 기저가 뚜렷한 시간적 패턴에 특화되면서 해석 가능성을 유지한다. 두 대규모 벤치마크인 M5 Walmart와 Favorita Grocery Sales에서 일치된 프로토콜 하에 평가한 결과, GNBAN은 일치된 그래프 기준선 대비 볼륨 가중 WRMSSE를 약 4-5% 개선한다. 정성 분석은 학습된 분해가 사후 설명 방법 없이 추세, 계절성, 잔차 수요 요인을 드러냄을 보여준다. 이 결과는 확장 가능한 관계형 예측과 해석 가능한 예측 분해가 통합된 그래프 기반 프레임워크에서 함께 달성될 수 있음을 보여준다.

arXiv:2606.27577v1cs.LG

hia-gat: 고속도로 프레임 단위 교통 충돌 위험 예측을 위한 이종 상호작용 인식 그래프 어텐션 네트워크

hia-gat: A Heterogeneous Interaction-Aware Graph Attention Network For Frame-Level Traffic Conflict Risk Prediction On Freeways

본 논문은 프레임 단위 고속도로 위험 평가를 다중 에이전트(multi-agent) 장면 그래프(scene graph) 수준의 이진 분류 문제로 공식화하며, TTC(time to collision) 또는 PET(post encroachment time) 기반 충돌이 지정된 심각도 임계값을 위반하는 경우 각 비디오 또는 궤적(trajectory) 프레임을 위험으로 라벨링한다. 각 프레임마다 차량을 노드로, 동일 차선(종방향) 및 인접 차선(횡방향)의 두 가지 상호작용 유형을 간선으로 하는 관계 인식 그래프를 구성하고, 후행 충돌(rear-end) 및 차선 변경(lane-change) 충돌 메커니즘에 맞춘 물리 정보 기반 간선 특징으로 이를 보강한다. 비그래프 모델과 그래프 베이스라인으로 구성된 체계적인 벤치마크(benchmark) 스위트를 바탕으로, 종방향 및 횡방향 상호작용을 전용 어텐션 경로로 처리하고 SSM 충돌 기여도(conflict attribution)에서 도출한 이벤트 수준 게이트 감독을 갖춘 충돌 유형 인식 게이팅(gating) 메커니즘으로 이를 융합하는 이중 스트림 이종 그래프 어텐션 네트워크인 HIA-GAT를 제안한다. NGSIM I-80 및 US-101 고속도로 데이터셋(dataset)에서 아홉 가지 TTC 및 PET 임계값 구성에 걸친 실험 결과, HIA-GAT는 최고의 평균 위험 순위 성능(AUC I-80에서 0.835, US-101에서 0.867)을 달성했으며, 관계 구조가 필수적인 PET 전용(차선 변경) 설정에서 가장 큰 향상을 보였다. 정확도를 넘어, 학습된 게이트는 지배적인 충돌 유형에 대한 해석 가능한 차량별 기여도를 제공하여 실행 가능한 실시간 고속도로 안전 모니터링을 지원한다. 횡방향 충돌 위험 모델링에는 그래프 구조가 중요한 반면, 종방향 위험은 종종 비관계적 집계로 포착할 수 있음을 보인다.

arXiv:2606.07619v2cs.LG

유한군의 가역성 예측을 위한 그래프 신경망

Graph Neural Networks for Predicting Solvability of Finite Groups

우리는 가역성에 따른 유한군 분류를 위한 그래프 신경망(GNN) 프레임워크를 제시한다. 케일리 그래프(CG)를 포함한 유한군과 연관된 그래프 표현을 사용하여, 제안된 모델은 구조적 그래프 정보만으로 가역군과 비가역군을 구별하도록 학습된다. 이 프레임워크는 군론에서 나타나는 대수적 성질을 GNN이 어느 정도까지 학습할 수 있는지 조사하기 위해, 학습 데이터셋 밖의 군들에 대해 평가된다. 더 넓게 보면, 본 연구는 대수적 구조와 유한군의 그래프 기반 기하학적 표현 사이의 관계를 탐구한다. 본 연구는 GNN이 그래프 기반 표현으로부터 유한군의 대수적 성질을 학습할 수 있는지에 대한 개념 증명(proof-of-concept) 조사를 목적으로 한다.

arXiv:2603.10277v4cs.LG

그래프 신경망을 이용한 조건수 추정

Estimating condition number with Graph Neural Networks

본 논문에서는 그래프 신경망(GNN)을 사용하여 희소 행렬의 조건수를 추정하는 빠른 방법을 제안한다. GNN의 효율적인 배포를 위해 $\mathrm{O}(\mathrm{nnz} + n)$ 복잡도를 갖는 그래프 특징 구성을 도입한다. 여기서 $\mathrm{nnz}$는 행렬의 비영 요소 수이고 $n$은 행렬 차원을 나타낸다. GNN을 사용하여 행렬 조건수를 추정하는 두 가지 방식을 제안한다. 하나는 조건수를 분해하여 역행렬을 명시적으로 구성하지 않고 계산 비용이 상대적으로 더 큰 부분 $\|\mathbf{A}^{-1}\|$를 예측하는 방식이며, 다른 하나는 전체 조건수 $κ$를 예측하는 방식이다. 우리의 접근법은 임의의 노름으로 확장할 수 있다. 1-노름 및 2-노름 조건수 추정에 대해 광범위한 실험을 수행하였으며, 이는 우리 방법이 기존 수치 추정 방법보다 상당한 속도 향상을 달성함을 보여준다. GNN 조건수 추정기용 소프트웨어는 https://github.com/inEXASCALE/sparse-kappa 에서 공개적으로 제공된다.

arXiv:2606.27455v1stat.ML

그래프 필터 식별을 통한 방향 그래프 토폴로지 추론

Directed Graph Topology Inference via Graph Filter Identification

방향 그래프의 노드 측정값으로부터 잠재 네트워크 구조를 추론하는 문제를 다루며, 관측값을 그래프 합성곱 필터의 출력으로 모델링하고 비대칭 확산 필터 식별과 Stiefel 다양체 제약 최적화를 통해 방향 그래프 토폴로지를 복원하는 2단계 알고리즘을 제안한다. 기존 연구와 달리 무방향 그래프나 백색 신호 여기 가정 없이 일반적인 방향 그래프에 적용 가능하며, 합성 데이터와 도시 이동성 분석·포트폴리오 최적화 등 실제 데이터 실험에서 제안 알고리즘의 효과를 검증하였다.

arXiv:2606.28083v1cs.CV

STAG: 미세표정 인식을 위한 액션 유닛의 시공간 진화 구조 표현

STAG: Spatio-temporal Evolving Structural Representation of Action Units for Micro-expression Recognition

미세표정 인식은 미묘하고 짧게 지속되는 안면 근육 움직임 때문에 어렵다. 기존 방법은 apex-onset 프레임에 크게 의존하고, 세밀한 프레임 간 역학을 간과하며, 공간 정보와 시간 정보를 별도로 모델링하여 데이터셋 간 일반화를 제한한다. 이러한 과제를 해결하기 위해, 우리는 움직임 흐름과 적응적 안면 연결성을 공동으로 모델링하는 동적 ROI-AU 결합 시공간 네트워크인 STAG를 제안한다. 해당 프레임워크는 크기 기반 선택과 시간 어텐션을 사용하여 판별적 프레임에서 광학 흐름(optical flow)을 추출한다. 이중 분기 아키텍처는 구조화된 공간 추론을 위한 향상된 그래프 어텐션 네트워크와 시간 모델링을 위한 트랜스포머 인코더를 결합한다. 양방향 교차 어텐션 모듈은 공간 특징과 시간 특징의 상호 정제를 가능하게 하며, AU 유도 동적 연결성은 근육 활성화 패턴에 따라 안면 영역 상호작용을 적응한다. 트랜스포머는 apex 기반 접근법을 넘어 미묘한 시간 역학을 포착하여, 설명 가능한 미세표정 인식을 위한 의미적 일관성과 해석 가능성을 향상시킨다. 융합된 표현은 focal 손실을 사용하여 최적화되며, CASME II, 4DME, DFME, NaME, SAMM, SMIC-HS에서 평가된다. 광범위한 실험은 향상된 견고성, 일반화, 해석 가능성, 계산 효율성을 보여주며, 정확한 교차 데이터셋 미세표정 인식을 위한 적응적 관계 추론, AU 유도 동적 연결성, 깊은 시공간 특징 융합의 효과를 확인한다.

arXiv:2606.27412v1cs.CV

모든 관계가 동일하게 회전하지 않는다: 시점 강건 3D 씬 그래프 생성을 위한 변환 인식 분리

Not All Relations Rotate Alike: Transformation-Aware Decoupling for Viewpoint-Robust 3D Scene Graph Generation

3D 씬 그래프 생성(3DSGG)은 3D 장면을 구조화된 객체-관계-객체 그래프로 표현하여 공간 이해를 위한 간결한 관계적 추상화를 제공한다. 체화 지능(embodied intelligence) 환경에서 동일한 3D 장면은 에이전트(agent)에 의해 요(yaw) 회전만큼 다른 시점(viewpoint)에서 관측될 수 있다. 그러나 현재 3DSGG 모델은 이러한 시점 변화 하에서 기대되는 변환(transformation) 동작을 따르는 관계 예측을 생성하는 데 자주 실패한다. 이는 술어(predicate) 수준의 변환 이질성과 관련된 실증적 불일치를 드러낸다. left, front, right, behind와 같은 방향성 술어는 관측 좌표계(observation frame)에 따라 변환되어야 하는 반면, standing on 및 attached to와 같은 대부분의 접촉·지지·의미적 술어는 안정적으로 유지되어야 한다. 이 불일치를 줄이기 위해, 우리는 변환 인식 분리(Transformation-Aware Decoupling, TAD)를 제안한다. TAD는 술어 변환 동작에 따라 관계 추론을 분리하고 시점 안정적 객체 표현(viewpoint-stable object representations)으로 뒷받침되는 시점 강건 3DSGG 프레임워크이다. TAD는 관계 추론을 두 부분으로 분해한다. 하나는 시점에 걸쳐 안정적으로 유지되어야 하는 단서(cue)를 학습하고, 다른 하나는 관측 좌표계에 따라 변해야 하는 방향성 단서를 학습한다. 두 부분은 표준 다중 레이블 술어 예측을 위해 병합된다. 변환 특화 서술자(descriptor)와 그룹 인식(group-aware) 보조 감독(auxiliary supervision)은 두 분기가 상보적인 관계 단서를 포착하도록 유도한다. 3DSSG에서의 광범위한 실험은 TAD가 학습 시점 회전 증강(rotation augmentation) 없이 요 시점 변화 하에서 최첨단(state-of-the-art) 강건성을 달성하면서 표준 벤치마크(benchmark)에서도 경쟁력 있는 성능을 유지함을 보여준다. 프로젝트 페이지는 https://tad-predicate.github.io/ 에서 확인할 수 있다.

arXiv:2511.11266v4cs.CV

GraphPilot: 언어 기반 자율주행을 위한 그라운딩된 장면 그래프 조건화

GraphPilot: Grounded Scene Graph Conditioning for Language-Based Autonomous Driving

비전-언어 모델은 최근 자율주행의 유망한 플래너로 부상했으며, 성공은 멀티모달 입력으로부터의 공간 구조와 동적 상호작용에 대한 토폴로지 인식 추론에 달려 있다. 그러나 기존 모델은 일반적으로 이러한 관계적 의존성을 명시적으로 인코딩하는 지도 없이 학습되어, 원시 센서 데이터로부터 에이전트 및 기타 교통 개체가 서로 어떻게 영향을 미치는지 추론하는 능력이 제한된다. 본 연구에서는 교통 장면 그래프 형태의 구조화된 관계적 컨텍스트로 언어 기반 주행 모델을 조건화하는 새로운 모델 불가지 방법으로 이 격차를 해소한다. 우리는 다양한 추상화 수준과 형식으로 장면 그래프를 직렬화하고, 구조화된 프롬프트 템플릿을 통해 모델에 통합하여, 관계적 지도가 언제, 어떻게 가장 유익하고 계산적으로 효율적인지에 대한 체계적 분석을 가능하게 한다. LangAuto 및 Bench2Drive 벤치마크에 대한 광범위한 평가 결과, 장면 그래프 조건화는 크고 지속적인 성능 향상을 가져온다. 우리는 제안한 접근법이 경쟁적인 LMDrive, BEVDriver, SimLingo 베이스라인 대비 Driving Score에서 상당한 성능 향상을 보임을 확인했다. 이 결과는 다양한 아키텍처가 테스트 시점에 장면 그래프 입력을 필요로 하지 않더라도, 장면 그래프 조건화 학습을 통해 관계적 사전지식을 효과적으로 내재화하고 그라운딩할 수 있음을 시사한다. 코드, 파인튜닝된 모델, 그리고 우리의 장면 그래프 데이터셋은 https://github.com/iis-esslingen/GraphPilot 에서 공개적으로 이용 가능하다.

arXiv:2606.27780v1cs.AI

그래프 월드 모델의 롤아웃 오류 이해

Understanding Rollout Error in Graph World Models

월드 모델은 학습된 동역학을 롤아웃하여 계획에 자주 사용된다. 그러나 많은 계획 환경은 벡터나 이미지가 아니라 에이전트, 도구, 스킬, 경로, 의존성으로 구성된 그래프이다. 이러한 설정에서 지역적 예측 오류는 지역에 머물 수도 있고 그래프를 통해 확산될 수도 있으며, 엣지가 고정되지 않고 예측될 때 실패 모드는 다시 달라진다. 본 논문은 그래프 월드 모델(GWM)에서 장기 지평 롤아웃 오류를 연구한다. 우리는 노드, 엣지, 그래프 수준의 결정을 위한 액션 노드를 갖춘 통합된 고정 엣지 및 동적 엣지 GWM 프레임워크를 공식화한다. 우리는 위상에 기인한 증폭과 모델에 기인한 증폭을 분리하는 그래프 값 롤아웃 상한을 개발하고, 동적 엣지 롤아웃을 위한 결합 노드-엣지 연산자를 도입한다. 분석에 따라 우리는 스펙트럴 정규화, 롤아웃 일관성, 핵심 노드 가중치를 결합하는 Error-Aware GWM을 제안한다. 합성 위상과 이질적 에이전트-그래프 테스트베드 전반에 걸쳐 롤아웃 오류와 계획 후회(regret)는 지평에 따라 증가하며, 구조가 진화할 때는 동적 엣지 학습이 필요하고, Error-Aware GWM은 예측 정확도를 유지하면서 장기 지평 발산을 방지한다. 실세계 그래프 벤치마크는 GWM의 적용 범위를 명확히 한다. GWM은 동적 그래프 롤아웃과 에이전트 계획에 가장 유용하며, 반면 전문화된 그래프 모델은 정적 또는 희소 예측 과제에서 여전히 강점을 보인다.

arXiv:2606.27413v1q-bio.GN

GRAFT: Arabidopsis thaliana에서 연계된 유전자 발현 및 표현형 형질 예측을 위한 생물학적 그래프 및 하이퍼그래프 벤치마크

GRAFT: Biological Graph and Hypergraph Benchmarks for Linked Gene Expression and Phenotypic Trait Prediction in Arabidopsis thaliana

생물체에서 어떤 유전자가 어떤 형질을 조절하는지 이해하는 것은 여전히 생물학의 핵심 과제 중 하나이다. 데이터 수집 기술의 상당한 발전에도 불구하고, 유전자를 형질에 매핑하는 능력은 여전히 제한적이다. 이 게놈-표현형(genome-to-phenome, G2P) 과제는 식물 육종을 포함한 여러 문제 영역에 걸쳐 있으며, 고차원적이고 이질적(heterogeneous)이며 생물학적으로 구조화된 데이터에 대해 추론할 수 있는 방법을 필요로 한다. 그러나 현재의 데이터셋과 데이터 저장소는 이 작업에 잘 대비되어 있지 않다. 현재 연구들은 유전자 발현과 형질 데이터를 연계하지 않으며, 대부분 매우 특정한 형질에만 초점을 맞춰 가능한 상관관계의 폭을 제한한다. 이 공백을 해소하기 위해, 우리는 식물 생물학의 모델 생물인 Arabidopsis thaliana에서 유전자 발현 프로파일과 표현형 형질 측정치를 연계한, 큐레이션된 다중 모달(multimodal) 데이터셋인 Gene-Graph Regression for Arabidopsis Functional Traits(GRAFT) 데이터셋을 제시한다. GRAFT는 표현형 예측 및 해석 가능한 그래프 학습과 같은 작업을 지원한다. 또한 우리는 유전자-형질 연관성을 검증하기 위해 생물학적 정보를 반영한 하이퍼그래프 기준선을 포함한 기존 회귀 및 설명형 기준선을 벤치마크한다. 우리가 아는 한, 이는 동일한 Arabidopsis thaliana 개체에 대해 다중 모달 유전자 정보와 이질적 형질 또는 표현형 데이터를 제공하는 최초의 데이터셋이다. GRAFT를 통해 우리는 유전자 정보, 고차 유전자 쌍(higher-order gene pairings), 다양한 출처의 형질 데이터를 활용하여 유전형과 표현형 간의 관계를 정확히 이해하는 연구를 촉진하고자 한다.

arXiv:2606.27202v1cs.LG

그래프 신경망의 도메인 횡단 응용: 필수 인사이트 총람

Graph Neural Networks Applications Across Domains: All Insights You Need

그래프 신경망(GNN)은 틈새적인 표현 학습 기법에서 벗어나, 데이터가 관계적 구조를 지니는 곳이라면 어디서나 기본 모델 클래스로 자리잡았다. 이제 핵심 질문은 메시지 패싱이 특정 데이터셋에 도움이 되는지 여부가 아니라, 그래프 구조가 계산 비용을 정당화하는 곳과 그렇지 않은 곳이 어디인지에 관한 것이다. 본 서베이는 단일한 설계 공간을 중심으로 분야를 체계화하고, 공통된 제1원리로부터 스펙트럴 및 공간적 정식화를 도출하며, 현재 아키텍처가 구별할 수 있는 것과 없는 것에 대한 명시적 진술과 함께 표현력을 Weisfeiler-Leman 계층구조와 연결한다. 이러한 방법론적 골격을 바탕으로 추천 시스템 및 소셜 네트워크, 지식 그래프와 언어 모델 통합, 신약 개발 및 분자 속성 학습, 헬스케어 및 신경과학, 컴퓨터 비전, 교통 및 도시 컴퓨팅, 전력 및 재생에너지 시스템, 무선 통신 및 6세대(6G) 네트워크, 사기 탐지 및 사이버보안, 산업 예지 정비, 재료 과학, 기후 모델링 등 열두 개의 응용 도메인을 살펴본다. 각 도메인에 대해 그래프 구성 방식과 그 비용을 명시하고, 어떤 아키텍처 계열이 지배적이며 그 이유는 무엇인지 규명하며, 보고된 성능 향상을 취약한 베이스라인이나 유리한 데이터 분할에 의한 인공적 결과와 구분한다. 도메인 간 비교를 통해 반복적으로 나타나는 패턴이 드러난다: 이질적 연결성(heterophily)과 대규모 스케일은 거의 모든 곳에서 동일한 모델들의 성능을 저하시키고, 시간적 그래프는 정적 그래프보다 여전히 다루기 어려우며, 공개 리더보드 상위권 아키텍처가 실제 배포에 이르는 경우는 드물다. 과도한 평활화(over-smoothing), 과도한 압축(over-squashing), 강건성, 분포 변화, 공정성, 설명 가능성은 마무리 체크리스트가 아니라 실제 도입 여부를 결정짓는 제약 조건으로 다룬다.

arXiv:2606.27126v1cs.LG

공기역학 예측을 위한 Kolmogorov Arnold 네트워크(KAN): MLP 및 GNN과의 비교

Kolmogorov Arnold networks (KAN) for aerodynamic prediction: a comparison with MLPs and GNNs

유체역학 서로게이트 모델링에서 아음속·천음속 에어포일 표면 압력 분포 예측을 위해 Kolmogorov Arnold 네트워크(KAN)를 MLP·그래프 신경망(GNN)과 비교 평가한다. KAN은 마하수와 받음각에 대한 내삽이 가능하고 복잡도가 낮아 학습이 빠르지만, GNN이 최고 성능을, MLP가 그에 근접한 성능을 보였으며 KAN은 학습 불안정성과 하이퍼파라미터 의존성으로 인해 성능이 미미하게 낮았다.

arXiv:2606.26662v1cs.LG

희소 랜덤 그래프에서 Neural ODE의 제로샷 크기 전이: Graphon 극한과 Adjoint 수렴

Zero-Shot Size Transfer for Neural ODEs on Sparse Random Graphs: Graphon Limits and Adjoint Convergence

graphon에서 샘플링된 희소 랜덤 그래프에서 Graph Neural Differential Equations(GNDE)의 제로샷 크기 전이를 정량화하고, Graphon Neural Differential Equations(Graphon-NDE) 극한으로의 궤적·adjoint 수렴률과 discretize-then-optimize(DTO)·optimize-then-discretize(OTD) 학습의 점근적 일치를 증명한다. HSBM·tent graphon 실험과 네 가지 graphon 클래스에 걸친 제로샷 전이 실험에서 이론적 속도와 작은 그래프에서 학습한 GNDE의 대규모 그래프 배포 정확도가 뒷받침된다.

arXiv:2606.26189v1cs.LG

단서 기반 자금 세탁 그룹 발견

Clue-Guided Money Laundering Group Discovery

자금 세탁 그룹 발견(Money Laundering Group Discovery, MLGD)은 대규모 금융 네트워크에서 숨겨진 범죄 그룹을 식별하고 그들의 완전한 구조를 복원하는 것을 목표로 한다. 기존 그래프 이상 탐지(graph anomaly detection) 방법은 주로 노드 수준의 위험 경보를 생성하는 반면, 전역 그룹 발견 방법은 전체 네트워크에 걸쳐 의심스러운 그룹을 수동적으로 탐색한다. 둘 다 분석가가 보통 구체적인 단서에서 출발하여 조사를 점진적으로 확장해 책임 그룹을 복원하는 실제 반자금세탁(Anti-money-laundering, AML) 수사와는 맞지 않는다. 이 간극을 해소하기 위해, 분석가 상호작용을 통해 초기 단서 집합으로부터 세탁 그룹을 점진적으로 복원하는 단서 기반 그룹 발견(Clue-Guided Group Discovery, CGGD)을 제안한다. 또한 먼저 노이즈를 줄이고 사슬형(chain-like) 및 순환형(cycle-like) 세탁 구조를 보존하는 간결한 지역 조사 문맥을 구성하고, 다중 의미(multi-semantic) 지역-시간(local-temporal) GNN으로 단서 조건화(local) 위험 필드를 추정한 뒤, 위험·구조·사전 패턴(prior-pattern) 증거를 통합하여 일관된 세탁 그룹을 복원하는 프레임워크 Clue2Group을 제안한다. 두 대규모 AML 벤치마크에서의 실험은 Clue2Group이 AML 수사를 위한 실용적인 단서 기반 분석 프레임워크를 제공하며, 그래프 기반 AML 연구와 실제 수사 워크플로 간의 격차를 메우는 실행 가능한 단계를 제시함을 보여준다.

arXiv:2602.14972v2cs.LG

아는 것을 활용하라: 부분 그래프 기반 인과 파운데이션 모델

Use What You Know: Causal Foundation Models with Partial Graphs

기존 인과 파운데이션 모델(CFM)은 테스트 시점에 인과 그래프나 조상 관계 등 도메인 지식을 반영하지 못해 불필요하게 보수적인 추정을 내는 한계가 있다. 어텐션 메커니즘에 학습 가능한 편향을 주입하고 그래프 합성곱 인코더와 결합해 완전·부분 인과 정보로 조건화하면, 범용 CFM이 특정 인과 구조에 맞춘 전문 모델과 맞먹는 성능을 낼 수 있음을 실험으로 보였다.

arXiv:2509.22259v4cs.LG

그래프를 위한 회전 위치 인코딩

Rotary Position Encodings for Graphs

본 연구에서는 대규모 언어 모델(LLM)과 비전 트랜스포머(ViT)에 널리 채택된 최근의 트랜스포머 위치 인코딩 알고리즘인 회전 위치 인코딩(RoPE)을 그래프 구조 데이터에 적용할 수 있는 범위를 연구한다. 그래프 라플라시안의 스펙트럼에 따라 토큰을 회전시키면 어텐션 메커니즘에 구조적 정보를 효율적으로 주입할 수 있으며, 합성 및 실세계 그래프 학습 태스크에서 성능을 향상시킴을 발견하였다. _Wave-Induced Rotary Encodings_ (WIRE)로 명명된 이 접근법은 흥미로운 이론적 특성을 갖는다: 격자 구조에서 일반 RoPE를 복원하며, 그래프의 유효 저항(effective resistance)에 점근적으로 의존한다. 바이어스 기반 상대적 위치 인코딩과 달리, WIRE는 선형 어텐션과 호환된다.

arXiv:2305.06315v3cs.CG

NervePool: 심플리셜 풀링 층

NervePool: A Simplicial Pooling Layer

그래프 구조 데이터에 대한 심층 학습 문제에서 풀링 층은 다운샘플링, 계산 비용 절감, 과적합 최소화에 중요하다. 우리는 심플리셜 복합체(simplicial complex)로 구조화된 데이터를 위한 풀링 층 nervePool을 정의한다. 심플리셜 복합체는 정점과 모서리를 넘어 고차원 심플렉스(simplex)를 포함하는 그래프의 일반화이며, 이 구조는 고차 관계를 모델링할 때 더 큰 유연성을 제공한다. 제안하는 심플리셜 거칠게 만들기(coarsening) 방식은 정점 분할에 기반하며, 이를 통해 심플리셜 복합체의 계층적 표현을 생성하고 정보를 학습된 방식으로 축약한다. NervePool은 학습된 정점 클러스터 할당을 기반으로 하며, 결정적 방식으로 고차원 심플렉스의 거칠게 만들기로 확장한다. 실무에서는 풀링 연산이 일련의 행렬 연산으로 계산되지만, 위상학적 동기는 심플렉스의 star 합집합과 nerve complex에 기반한 집합론적 구성이다.

arXiv:2606.26664v1cs.CR

TGHE: 엣지-클라우드 시스템에서 프라이버시 보존 GNN 추론을 위한 템플릿 기반 그래프 동형 암호

TGHE: Template-based Graph Homomorphic Encryption for Privacy-Preserving GNN Inference in Edge-Cloud Systems

기존 동형 암호(HE) 기반 GNN 추론은 전역 그래프 크기에 쿼리 비용이 연동되어 대규모·동적 금융 그래프에 한계가 있지만, TGHE는 거래 그래프의 지역 계산 트리가 소수 템플릿 형태로 수렴한다는 현상을 활용해 엣지에서 ego-graph를 정규형으로 묶고 구조가 같은 트리를 공유 CKKS 암호문에 패킹해 SIMD 병렬 암호화 추론을 수행한다. DGraphFin(370만 노드, 430만 엣지)에서 TGHE-Collapse는 순차 암호화 기준선 대비 66.9배 속도 향상을 달성하며 AUC 손실은 0.002 미만이다.

arXiv:2606.26465v1cs.DB

3D 공간 패턴 매칭

3D Spatial Pattern Matching

기존 2차원 공간 패턴 매칭(spatial pattern matching)은 높이를 갖는 실세계 엔티티 검색에 한계가 있어, 거리 관계 기반 3D 공간 패턴을 해결하는 서브그래프 매칭(subgraph matching) 알고리즘과 문제의 일반화 정의를 제안한다. 합성 데이터셋과 독일 함부르크 3D 건물 데이터셋으로 알고리즘을 평가하고, 향후 연구를 위한 baseline 결과를 제시한다.

arXiv:2606.26125v1cs.NI

연합 엣지 네트워크를 위한 기하학적 공정성 인식 라우팅

Geometric Fairness-Aware Routing for Federated Edge Networks

6G·엣지 지능형 네트워크에서 집계 지연·처리량 중심의 기존 연합 라우팅이 공정성과 토폴로지 기하구조를 간과하는 한계를 다루기 위해 Geo-FairFed를 제안하며, 쌍곡 그래프 신경망(HGNN)으로 위계적·비대칭 연결을 음곡률 매니폴드에 임베딩하고 Jain 공정성 지수 기반 곡률 정규화 연합 집계로 노드 간 균형 잡힌 라우팅을 학습한다. 동적 6G-엣지 및 IoT 토폴로지 시뮬레이션에서 최첨단 연합·기하학적 라우팅 대비 평균 지연 20% 감소, 에너지 소비 17% 절감, 공정성 최대 21% 개선을 보였다.