정확한 수술 중(intraoperative) 간 정합은 상당한 연조직 변형과 희소한 수술 중 측정 데이터로 인해 어렵습니다. 생체역학적 모델은 사전 지식을 통해 이 부정적(ill-posed) 문제를 정규화하지만, 단순화 가정으로 인해 지속적인 예측 바이어스(bias)를 나타냅니다. 반면 데이터 기반 학습 솔루션은 데이터 효율성, 일반화, 물리적 타당성 측면에서 어려움을 겪습니다. 본 연구에서는 희소한 수술 중 대응점을 사용하여 생체역학적 사전 정보를 적용하는 하이브리드 정합 프레임워크를 제안합니다. 전체 변형장을 학습하는 대신, 선형 생체역학적 예측을 보정하는 잔차 변형 함수를 학습하며, 이는 3D 간 메쉬 위에서 기하학적 인식 어텐션(attention)을 갖는 그래프 신경망 확산 함수로 모델링됩니다. 희소한 관측치의 장거리 정보 전달을 가능하게 하기 위해, 희소한 수술 중 측정 데이터를 잔차 변형 함수의 입력-출력 쌍이 완전히 관측되는 컨텍스트 샘플로 간주하는 새로운 관점을 취합니다. 이를 통해 피드포워드 메타 러너(feedforward meta-learners)를 사용하여 수술 중 컨텍스트 샘플로부터 잔차 함수를 학습하는 학습(learning-to-learn) 문제로 공식화합니다. 변형 가능한 간 팬텀 데이터셋(dataset)에 대한 실험 결과, 제안된 방법은 강체(rigid), 생체역학적, 데이터 기반 기준 모델과 비교하여 향상된 정합 정확도와 일반화 성능을 보여주었으며, 특히 분포 외(out-of-distribution) 기하학적 구조 및 변형에서 그 효과가 두드러졌습니다.
GMN4AD: Graph Matching Network for Alzheimer's Disease Diagnosis with Test-Time Domain Adaptation using Multi-centered Structure Magnetic Resonance Imaging
알츠하이머병(AD)은 수백만 명의 노인에게 영향을 미치는 진행성 신경퇴행성 장애로, 향후 몇 년간 유병률이 크게 증가할 것으로 예상됩니다. 특히 경도 인지 장애(MCI) 단계에서의 조기 진단은 적시적인 개입에 매우 중요합니다. 구조적 자기공명영상(sMRI)은 AD 관련 뇌 변화를 탐지하는 핵심 모달리티로 부상했으나, 기존 그래프 기반 접근법은 모달리티 및 기관 간 이질성 문제로 어려움을 겪어 진단 성능이 제한되는 경우가 많습니다. 본 논문에서는 뇌영상 데이터에서 파생된 이질적인 뇌 그래프 간의 상호작용을 모델링하도록 설계된 알츠하이머병 진단용 그래프 매칭 네트워크(GMN4AD)를 제안합니다. 각 뇌 그래프를 독립적으로 처리하는 기존 방법과 달리, GMN4AD는 그래프 매칭을 활용하여 그래프 간 관계를 포착함으로써 진단 정밀도를 향상시킵니다. 또한, 추론 시 도메인 변동을 완화하기 위해 대조 학습을 결합한 테스트 타임 도메인 적응 전략을 도입합니다. 3개의 공개 AD 데이터셋에 대한 광범위한 실험을 통해 GMN4AD가 최첨단 방법론 대비 우수한 성능을 달성함을 입증하였으며, 이는 알츠하이머병 진단을 위한 강력하고 일반화 가능한 솔루션을 제공합니다.
엔드 이펙터 간 파지 생성은 평행 그리퍼부터 정교한 엔드 이펙터에 이르기까지 다양한 구현 및 객체에 걸쳐 일반화되는 통합 모델을 목표로 합니다. 기존 파지 생성기는 일반적으로 고정된 구현을 위해 설계되거나 정적 디스크립터를 사용하여 구현 정체성을 인코딩하며, 이는 위상(topology), 구동 결합(actuation coupling), 접촉 기하학이 크게 다를 경우 전이 성능을 저하시킵니다. 본 논문에서는 각 구현을 위상 인식 엔드 이펙터 그래프와 구현 고유의 저차원 엔드 이펙터 제어 공간으로 표현하는 구현 정렬 파지 생성기인 EAGG를 제안합니다. 동결된 엔드 이펙터 인지 백본은 현재 관절형 상태를 재사용 가능한 형태학적 사전(morphology prior) 역할을 하는 기하학 인식 토큰으로 변환하며, 반복적인 기하학 주입을 통해 샘플링 과정 전반에 걸쳐 이 토큰을 갱신하여 조건화가 변화하는 엔드 이펙터 기하학과 동기화된 상태를 유지합니다. MultiGripperGrasp 벤치마크에서 EAGG는 6개의 학습용 엔드 이펙터에 걸쳐 56.17%의 평균 성공률을 달성했으며, 파인튜닝 및 제로샷 엔드 이펙터로의 전이를 유지하면서 전문화된 학습 결과와 1.10%p 이내의 차이를 보였습니다. 또한 반복적인 기하학 주입을 통해 풀링된 중앙값 접촉 거리를 0.239cm에서 0.189cm로 추가로 감소시켰습니다. 이러한 결과는 엔드 이펙터 간 파지 생성이 구현 간의 차이를 억제하는 것보다 공유 생성기 내부에서 구현 구조를 정렬함으로써 강화됨을 보여줍니다. 코드는 https://github.com/wanhaoniu/EAGG에서 확인할 수 있습니다.
그래프 신경망(GNN)과 논리 형식 체계(logical formalisms) 사이의 연결은 집계(aggregation), 결합(combination), 활성화 함수(activation functions) 유형과 같은 아키텍처 선택을 고정함으로써 확립되어 왔다. 이러한 선택은 논리 공식(logical formulae)을 동등한 GNN으로, 그리고 역으로 GNN을 동등한 공식으로 번역할 수 있음을 보임으로써, 논리 형식 체계와 긴밀한 대응을 얻을 수 있는 GNN의 제한된 클래스를 정의한다. 본 논문에서는 임베딩(embedding, 확장), 단사 준동형사상(injective homomorphism), 준동형사상(homomorphism)과 같은 구조적 성질(structural properties) 하에서 보존되는 GNN 분류기 클래스의 논리적 표현력을 확립함으로써 의미론적(semantic) 관점을 취한다. 우리는 각각의 이러한 성질에 대해 GNN 클래스를 특성화(characterise)하는 등급 모달 논리(graded modal logic)의 단편(fragment)이 존재함을 보인다. 특히, 임베딩, 단사 준동형사상, 준동형사상 하에서의 보존은 각각 존재 등급 모달 논리(existential graded modal logic), 그 존재-긍정(existential-positive) 단편, 존재-긍정 모달 논리(existential-positive modal logic)에 대응한다. 이 결과들은 특정 아키텍처 선택과 무관하게 광범위한 GNN 클래스의 표현력을 특성화하지만, 우리는 또한 이러한 클래스 각각이 동일한 표현력을 갖는 GNN 아키텍처를 허용함을 보인다. 기술적으로, 우리 접근법은 유계 높이(bounded height) 트리에 대한 새로운 준전순(well-quasi-order) 결과를 사용하여, 언래블링 불변(unravelling-invariant) 클래스의 유한 표현(finite representations)을 산출한다.
그래프 기반 검색-증강 생성(GraphRAG)은 지식 집약적 작업과 다중 홉(multi-hop) 쿼리에 효과적이나, 많은 기존 방법은 주로 엔티티 기반 그래프를 시드로 두고 암시적 의미 관련성 전파에 의존한다. 이로 인해 (i) 사용자 쿼리가 추상적이고 엔티티 수준에서 의미적으로 희소한 경우 검색이 부족해지며, (ii) 노이즈성 활성화가 엔티티 간 전환을 방해하고 추론된 관계 체인을 손상시켜 신뢰할 수 없는 결론을 낳는 취약한 다중 홉 추론에 시달린다. 이를 해결하기 위해, 우리는 의미적 재현율과 명시적 추론을 모두 향상시키는 의미 인식 검색 프레임워크 FlowRAG를 제안한다. 구체적으로 FlowRAG는 패시지, 요약, 문장, 엔티티에 걸친 4계층 이질 그래프를 구성하며, 요약 노드는 거친(coarse) 의미 허브로 기능한다. 검색 시, 이중 세분성 활성화 모듈이 요약–쿼리 정렬과 문장 수준 매칭을 결합하여 의역 및 추상화에도 강건하게 관련 엔티티를 활성화한다. 이어서 빈도 인식 가중 흐름 모듈을 도입하여, 패시지 내 용어 빈도로 가중된 엔티티–패시지 연결을 통해 관련성을 전달하고, 노이즈 연결을 가지치기하여 생성을 위한 명시적 논리 골격으로서 고신뢰 추론 경로를 추출한다. 광범위한 실험에서 FlowRAG는 복잡한 추론 벤치마크에서 최신(state-of-the-art) 성능을 달성함을 보여준다.
사이버 물리 시스템은 탐지와 즉각적인 대응에 있어 새로운 위협과 도전을 야기했습니다. 본 연구는 사이버 침해와 무인 항공기(UAVs)로 구성된 사이버 물리 시스템에서 사이버 보안과 드론 관리를 지원하기 위해 그래프 신경망(GNNs)을 어떻게 활용할 수 있는지 조사합니다. 그래프 신경망의 구조적 이해를 연결함으로써, 본 연구는 침입 탐지 시스템이 기본 네트워크 구조를 학습하고 악의적인 활동을 식별하며 드론 대응 조치를 용이하게 하는 통합 절차를 제공했습니다. 에뮬레이션 기반 사례 연구를 바탕으로 드론의 반응을 유발하기 위한 사이버 공격 모델이 생성되었으며, 이는 그래프 기반 학습이 상황 인식, 군집 조율, 적응형 기동을 지원할 수 있음을 입증했습니다. 성능 평가에 따르면, 이 방법은 94.2의 탐지율, 0.955의 평균 수신자 조작 특성(ROC) 곡선 아래 면적, 그리고 1.4초의 평균 응답 시간을 가집니다. 비교 실험 결과, 제안된 GraphSAGE 네트워크는 동일한 상황에서 그래프 컨볼루션 네트워크(GCNs)와 그래프 어텐션 네트워크(GATs)보다 더 효과적인 것으로 나타났습니다. 이러한 발견은 그래프 신경망이 동적 사이버 물리 시스템의 침해 방지와 대응에 활용될 수 있음을 증명합니다.
본 논문은 무방향 그래프에서 최소 제로 포싱(zero-forcing) 집합을 찾는 문제를 탐구하고, 이 문제를 해결하기 위한 적응형 머신러닝 프레임워크를 제안한다. 최소 제로 포싱 집합 문제는 초기 노드 집합의 색이 네트워크 전체로 전파되는 그래프 색칠(graph coloring) 문제이다. 노드 집합이 색 변경 규칙(color-change rule)의 제약 하에서 색이 칠해지지 않은 모든 노드를 색이 바뀌도록 강제하면, 그 집합은 제로 포싱(zero-forcing)이다. 이 문제는 네트워크 과학, 네트워크 제어, 논리 회로 설계 등 여러 분야에서 다양한 응용이 있다. 최소 제로 포싱 집합을 찾는 문제는 NP-hard임이 알려져 있다. 우리는 ZFS 문제에 S2V-DQN 아키텍처를 적응시킨 강화학습 프레임워크인 SD-ZFS를 제안한다. 우리는 이 적응 프레임워크에서 여러 모델을 학습하고, 구조가 서로 다른 그래프 데이터셋에 걸쳐 성능을 분석한다. 우리는 프레임워크에서 학습된 모델이 서로 다른 네트워크 유형에 대해 어떻게 일반화, 스케일링, 전이되는지 평가한다. 결과는 최적해 및 탐욕적 휴리스틱(greedy heuristic)과 비교했을 때 프레임워크의 효과를 보여준다. 우리는 머신러닝을 통해 ZFS 문제를 어떻게 해결할 수 있는지, 그리고 네트워크 구조가 문제에 미치는 영향에 대한 추가적인 통찰을 제공한다.
최근 파운데이션 모델과 그래프 사전학습 기술의 급속한 발전으로 인해 범용 사전학습 그래프 모델, 즉 그래프 파운데이션 모델(GFM)을 구축하려는 관심이 높아지고 있습니다. 그러나 기존 모델은 텍스트 정보가 없는 그래프 데이터의 특징 이질성을 처리하지 못한다는 중요한 문제가 있으며, 이는 다양한 데이터셋 간의 그래프 모델 전이 가능성을 저해합니다. 이러한 격차를 해소하기 위해 본 연구에서는 모든 그래프 데이터의 최소 의미 단위로 간주되는 학습 가능한 그래프 패치(learnable graph patches) 개념을 제안합니다. 노드 특징을 펼치고(unfolding) 이에 대응하는 패치 구조를 별도로 구성하여 그래프를 학습 가능한 그래프 패치로 분해합니다. 이후 도메인 간 그래프 데이터에서 전이 가능한 정보를 추출하는 프레임워크를 설계합니다. 구체적으로, 그래프 패치를 추출한 후 각 단위에서 지식을 추출하는 패치 인코더(patch encoder)와 단위들이 전체로 결합되는 방식을 학습하는 패치 어그리게이터(patch aggregator)를 제안합니다. 도메인에 구애받지 않는(domain-agnostic) 특성 덕분에 해당 모델은 서로 다른 도메인의 다운스트림 데이터에 적용할 수 있습니다. 또한, 본 방법과 기존 그래프 모델 간의 연관성과 모델이 생성하는 노드 임베딩의 전이 가능성을 분석합니다. 실험적으로 본 방법은 사전학습에 다중 도메인 그래프를 활용할 수 있는 능력을 달성했을 뿐만 아니라, 다양한 다운스트림 데이터셋 및 작업에서 향상된 성능을 보여주었습니다. 더불어 사전학습 데이터의 규모가 증가함에 따라 다운스트림 성능이 지속적으로 향상됨을 확인했습니다.
그래프 신경망(GNN)에 LLM 생성 노드 특징을 추가하는 것은 표준 벤치마크에서 정확도를 향상시키는 것으로 널리 보고되었습니다. 우리는 대조되는 관찰 결과를 기록합니다: LLM 특징이 순수 입력 연결(공동 학습, 지식 증류, 또는 프롬프트 조건화가 아닌)을 통해 도입될 때, 엔드투엔드 LLM 파이프라인이 성공하는 동일한 동질적 벤치마크에서 정확도를 체계적으로 저하시킬 수 있습니다. Planetoid 공용 분할과 bag-of-words 원본 특징을 사용하는 MLP 백본에서, SBERT로 인코딩된 GPT-4o-mini TAPE 특징을 연결하면 PubMed 테스트 정확도가 -17.0 +/- 0.3 pp, Cora가 -4.3 +/- 0.6 pp 감소합니다 (CiteSeer는 -0.6 +/- 0.8 pp로 시드 노이즈 내에 있음). 각 조건(GCN / GCNII / GAT 백본, 무작위 분할, 더 작은 인코더)을 완화함에 따라 감소 폭은 줄어들며, 중간 동질성을 가진 WikiCS(+4.4 pp)와 ogbn-arxiv(+11.7 pp)에서는 반전됩니다. 연결이 도움이 되는지 해가 되는지 예측하기 위해, 우리는 LLM 단독 식별력의 간단한 측정치인 Delta_sig를 보고합니다. 9개 데이터셋에 걸쳐 Delta_sig는 점 추정에서 동질성보다 연결 비용과 더 강하게 상관관계를 가집니다 (r^2 = 0.38 vs. 0.06; N=9, 부트스트랩 신뢰 구간 중복). 부트스트랩 최적 변화점은 tau = 13.8 pp이며, "Delta_sig <= tau는 비양수 연결 비용을 예측한다"는 규칙은 9개 데이터셋 중 7개를 정확하게 분류합니다. 부트스트랩 샘플의 60%가 tau를 [5, 30] pp에 두므로, 우리는 Delta_sig를 정밀도 필터가 아닌 해석적 렌즈로 취급합니다. PubMed에 대한 차원 제어 소거 실험은 LLM 특징 감소를 동일 소스 PCA(-2.3 pp)와 동일 차원 가우시안 노이즈(-37.3 pp) 사이에 위치시키며, 차원성과 가중치 감소 인공물을 배제합니다. 9가지 PubMed 구성은 r^2 = 0.97인 (sqrt(d_l/n))^1.31에 비례하는 멱법칙 |Delta_concat|을 따릅니다. 낮은 Delta_sig와 작은 n 영역이 바로 헤드라인인 -17 pp PubMed 결손이 나타나는 곳입니다.
우리는 학습된 기저 함수의 위상(topology)을 정규화하여 비음수 행렬 분해(NMF)에서 해석 가능한 기저의 학습을 연구합니다. 우리의 접근 방식은 많은 데이터 모달리티가 구조화된 도메인 위의 비음수 함수로 볼 수 있다는 관찰에서 동기를 얻었으며, 여기서 기저의 품질은 그 위상과 본질적으로 연결되어 있습니다. 그러나 지지 집합(support)의 위상을 통합하는 단순한 방법들은 종종 이산성과 임계값 의존성으로 인해 제한을 받아 연속 최적화에 부적합합니다. 우리는 안정적이고 임계값이 없는 위상학적 정량화 지표로서 지속적 호몰로지(persistent homology)를 활용하고, NMF 목적 함수에 정규화 항으로 통합되는 위상학적 점수를 설계하여 이러한 문제를 해결합니다. 결과적인 프레임워크는 공간적으로 응집된 이미지 구성 요소, 주기적인 시계열 구조, 클리크 유사 그래프 신호를 하나의 통합된 모델링 언어로 포괄합니다.
과학적 기계학습(SciML) 대리 모델은 비용이 많이 드는 시뮬레이션을 근사하지만, 임의의 입력에 대한 정확한 예상 출력을 얻을 수 없습니다(오라클 문제). 메타모픽 테스트는 실행 간의 관계를 검사하지만, 후보 관계가 자동으로 유효한 것은 아닙니다. 선행 조건, 출력 매핑, 그리고 점수 연산자의 수치적 하한(numerical floor)이 위반 여부가 의미 있는지를 결정합니다. 우리는 후보 메타모픽 관계(MR)를 도메인 유효성에 대해 선별하고, SciML 대리 모델을 위한 실행 가능하며 오라클이 없는 테스트 자산으로 전환하는 방법을 연구합니다. 우리는 (i) 허용 오차(tolerance)가 연산자의 수치적 하한보다 크고 선행 조건이 충족될 때만 후보를 승인하는 도메인 유효성 루브릭, (ii) 소스 케이스, 변환, 메트릭, 허용 오차, 유형화된 관계 수준 판정을 기록하는 MR-카드 실행 가능 자산 형식, 그리고 (iii) 추적 가능한 아티팩트에 모든 결과를 바인딩하는 클레임 원장(ledger)을 갖춘 MeshGraphNets 실린더 유동 대리 모델에 대한 사례 연구 프로토콜을 제안합니다. MeshGraphNets 체크포인트에서 노드 순열은 기계 정밀도로 유지되고, mirror-y는 정확한 대칭이 아니라 제한된 분포 외(OOD) 스트레스 발견이며, 절대 보존은 연기되는 동안 참조 상대적 가드(guard)는 통과합니다. 동일한 판독 결과는 홀드아웃 궤적, 체크포인트 명단, 3개의 추가 아키텍처 및 PhysicsNeMo 전반에 걸쳐 유지됩니다. 두 번째 CFD 작업(압축성 에어포일)에서 술어(predicate)는 물리적 근거로 비압축성 연속성을 거부하며, 이는 고정된 체크리스트를 실행하는 것이 아니라 도메인 유효성에 대해 추론함을 보여줍니다. 두 번째 PDE 계열에서 FNO Burgers 및 열 대리 모델은 전체 승인/거부/실행 판정을 수행합니다. 이 증거는 두 개의 CFD 작업과 두 번째 PDE 계열에 걸쳐 있으며, 모델 수준 위반을 도메인 외 적용과 분리하는 후보 MR에서 감사 가능한 SciML 테스트 자산으로의 유효성 인식 브리지를 뒷받침합니다.
그래프 라플라시안(graph Laplacian)에 기반한 그래프 신경망 아키텍처는 라플라스-벨트라미 연산자(Laplace-Beltrami operator)를 근사하므로, 그 적용이 등방성 연산자로 제한됩니다. 라플라스-벨트라미 연산자에 대한 비선형 대안으로, 우리는 다양체(manifold)에서 샘플링된 포인트 클라우드(point cloud)에 대한 핀슬러 라플라시안(Finsler Laplacian)의 추정치를 고려합니다. 우리는 점 샘플의 수가 증가함에 따라 이러한 이산 추정치들이 다양체 상의 실제 연산자로 수렴함을 증명합니다. 더 나아가, 우리는 이 연산자가 그래프 신경망 층으로 표현될 수 있음을 보이며, 이를 사용하여 핀슬러 기하학(Finsler geometry)을 표현하도록 제약된 핀슬러 그래프 신경망 계열을 정의합니다. 우리는 핀슬러 그래프 신경망이 실제로 비선형 확산 방정식(nonlinear diffusion equations)의 기저에 있는 기하학을 복원함을 보여줍니다.
이 장에서는 데이터 기반 머신러닝 접근법이 복잡한 지질 구조에서의 다상(multiphase) 유동 물리 거동의 핵심 측면을 어떻게 재현할 수 있는지 논의한다. 우리는 지질 저장소에서 CO₂ plume 이전 예측에 맞춘 end-to-end 그래프 신경 대리 모델을 제안한다. 해당 방법은 CO₂ 저장 시나리오 평가를 위해 설계된 잘 알려진 산업 테스트 케이스인 SPE11A 벤치마크에서 평가되며, 이 벤치마크는 날카로운 기-수 계면, 강한 이류(advective) 수송, fingering 발생과 함께 이르는 급격한 대류(convective) 혼합이 특징이다. 벤치마크는 노드가 계산 셀을 나타내고 간선이 기하학적 속성으로 보강된 투과율(transmissibility) 기반 상호작용을 인코딩하는 그래프로 재구성된다. 격자 기하학, 투과율 대비, 지질 이질성에서 비롯되는 방향성 수송은, 상호작용 가중치가 기하학 조건(edge) 임베딩을 통해 계산되고 메시지 집계를 물리적으로 관련 있는 수송 방향으로 편향시키는 이방성(anisotropic) 메시지 전달(message-passing) 메커니즘을 통해 포착된다. 시간적 진화는 다단계(multi-step) 지도 학습으로 학습된 자기회귀(autoregressive) 잔차(residual) 표현을 사용하여 잠재 공간(latent space)에서 모델링된다. 제안된 모델은 CO₂ 저장 모니터링의 핵심 지표인 기체 포화도(gas saturation)와 액상(liquid-phase) 밀도에 대해 경쟁력 있는 예측을 생성하며, 누적 오차는 장기 예측 구간(extended forecasting horizons)에서도 적당한 수준을 유지한다.
네트워크 트래픽 흐름 간의 관계 구조를 모델링하는 데 있어 효과적이기 때문에, 그래프 신경망(GNNs)은 네트워크 침입 탐지 시스템(NIDSs)에 널리 사용되어 왔습니다. 그러나 대부분의 기존 GNN 기반 NIDS 접근 방식은 트래픽 흐름의 관계 구조에만 초점을 맞추고 이를 시간적으로 독립적인 것으로 간주하여, 진화하는 공격 행동에 대처하는 능력을 제한합니다. 더욱이 지도 학습이나 준지도 학습에 의존하는 경우가 많아 미지의 공격에 대한 일반화가 제한됩니다. 이러한 제한 사항을 해결하기 위해 본 논문에서는 새로운 자기지도 GNN 기반 프레임워크를 제안합니다. 우리가 아는 한, 제안된 모델은 실제 타임스탬프를 명시적으로 활용하여 표현 학습을 위한 정확한 시간적 의존성을 제공하는 최초의 자기지도 GNN 기반 NIDS 모델 중 하나입니다. 먼저 타임스탬프에 따라 네트워크 트래픽 흐름에서 일련의 시간적 그래프를 구성한 다음, 계산 비용이 큰 어텐션 메커니즘을 도입하지 않고 네트워크 트래픽의 시간적 정보와 공간적 의존성을 완전히 추출하기 위해 E-GraphSAGE 및 LSTM 기반 인코더를 사용합니다. 시간적 연속성을 포착하고, 구조적 일관성을 유지하며, 학습된 표현의 일반화와 견고성을 각각 향상시키기 위해 시간적, 공간적, 특징 대비가 공동으로 수행되는 다중 뷰 그래프 대조 학습(GCL) 방식을 도입했습니다. 또한, 대조 손실 가중치를 최적화하기 위해 그래디언트 노름 기반 적응형 가중치 전략을 설계했습니다. 실제 타임스탬프가 포함된 4개의 대표적인 NIDS 데이터셋에 대한 실험 결과, 제안하는 방법은 기존 자기지도 접근 방식보다 성능이 현저히 우수하며, 높은 계산 효율성을 유지하면서 지도 학습 기반 최첨단 GNN 방법과 대등한 성능을 달성함을 입증했습니다.
변형 가능한 객체의 충돌을 시뮬레이션하는 것은 고체 역학(solid mechanics)과 다물체 상호작용(multi-body interactions)의 복잡성으로 인해 근본적이면서도 어려운 과제이다. 기존의 데이터 기반 방법들은 물리적 대칭성에 대한 등변성(equivariance) 부재, 충돌 처리의 미흡함, 그리고 제한된 확장성 문제를 흔히 겪는다. 본 논문에서는 변형 가능한 객체와 그 충돌을 위한 최초의 종단간 등변 신경 필드(neural fields) 시뮬레이터인 EqCollide를 소개한다. 우리는 객체의 형상과 속도를 잠재 제어점(control points)으로 매핑하는 등변 인코더를 제안한다. 이어지는 그래프 신경망(GNN) 기반 신경 상미분방정식(Neural Ordinary Differential Equation)은 충돌 인식 메시지 패싱(collision-aware message passing)을 통해 제어점 간 상호작용을 모델링한다. 속도 필드를 재구성하기 위해, 제어점 특징에 조건부로 설정된 신경 필드를 질의함으로써 연속적이고 해상도 독립적인 모션 예측을 가능하게 한다. 2D 및 3D 시나리오에 대한 실험 결과, EqCollide는 다양한 객체 구성에서 정확하고 안정적이며 확장 가능한 시뮬레이션을 달성함을 보인다. 최고 성능 기준선(baseline) 모델과 비교하더라도 롤아웃 MSE를 24.34%에서 57.62%까지 낮추는 성과를 거두었다. 또한 EqCollide는 더 많은 충돌 객체와 확장된 시간적 지평선으로 일반화할 수 있으며, 군 작용(group action)으로 변환된 입력에 대해서도 강건성을 유지한다. 코드는 https://github.com/AI4Science-WestlakeU/EqCollide 에서 확인할 수 있다.
우리는 리만 매니폴드(Riemannian manifold)에 특징(feature)을 가진 그래프를 위한 두 가지 그래프 신경망(neural network) 층(layer)을 제안한다. 첫째, 매니폴드 값 그래프 확산 방정식을 기반으로, 임의의 수의 노드(node)와 그래프 연결 패턴에 적용 가능한 확산 층을 구성한다. 둘째, 벡터 뉴런(vector neuron) 프레임워크의 아이디어를 일반적인 설정으로 이전하여 접선 다층 퍼셉트론(tangent multilayer perceptron)을 모델링한다. 두 층 모두 노드(node) 순열 및 특징(feature) 매니폴드의 등거리 변환(isometries)에 대해 등변(equivariant)이다. 이러한 속성은 많은 딥러닝 태스크에서 유익한 귀납적 바이어스(bias)로 작용해 왔다. 또한 이를 통해 더 새롭고 유연한 특징(feature) 설계가 가능해진다. 합성 데이터에 대한 수치 실험과 오른쪽 해마 삼각형 메시에 대한 알츠하이머 분류(classification) 응용은 새로운 층의 유용성을 입증한다: 훨씬 더 넓은 범주의 문제에 적용 가능함에도 불구하고, 태스크 특화 최신(state-of-the-art) 네트워크를 능가하는 성능을 보인다.
이벤트 카메라의 희소 데이터를 효율적으로 처리하기 위해 중성 원자 양자 컴퓨터에서 비동기 이벤트 기반 그래프 신경망(AEGNN)을 구현하는 QA-AEGNN 프레임워크를 제안한다. 이벤트 데이터를 원자 배열에 매핑하고 라이드베르크 해밀토니안을 통해 메시지 전달 연산을 수행하며, 하이브리드 양자-고전 학습 방식으로 모델을 최적화한다.
페르소나 속성 간의 고차 관계를 포착하기 위해 페르소나 요소를 하이퍼그래프로 구성하고 Persistent Edge Embeddings를 활용하는 HyPE 프레임워크를 제시한다. 이 방법은 PersonaChat에서 GPT-2, LLaMA-3.2-3B, Qwen2.5-3B 백본을 통해 문장 수준 풀링 기준선을 일관되게 능가하는 성능을 보여준다.
그래프 신경망(GNN)에서 계산 효율성을 위해 널리 사용되는 잘린 위치 인코딩(positional encoding)의 이론적 특성을 분석하여, 잘린 스펙트럴 PE가 1-WL 테스트보다 더 강력한 표현력을 갖지 못함을 밝혔다. 또한 실제 데이터셋에서는 단일 PE 대신 잘린 PE들의 혼합 사용이 더 우수한 성능을 보임을 실험적으로 입증했다.