PyTorchKR Papers

최신 논문

총 30편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2602.13184v2hep-ph

인수분해 가능 정규화 흐름을 이용한 시뮬레이션 기반 추론에서의 계통 불확실도 프로파일링

Profiling systematic uncertainties in Simulation-Based Inference with Factorizable Normalizing Flows

고차원 언빈드 가능도 피팅에서 계통 불확실도 프로파일링의 계산 비용 문제를 해결하기 위해, Factorizable Normalizing Flows를 활용하여 피팅 목표를 스칼라 매개변수에서 다변량 관심 분포(Distribution of Interest)로 확장하는 시뮬레이션 기반 추론(SBI) 프레임워크를 제안한다. 단일 최적화 과정으로 누이선스 매개변수 의존성을 학습하는 분할상환(amortized) 전략과 Poisson-bootstrap 앙상블을 통해 통계적·계통적 불확실도를 동시에 정량화하며, 고에너지 물리학 합성 데이터셋 실험에서 검출기 보정, 미분 단면적 측정, 언폴딩 등 다양한 작업을 단일 프레임워크로 통합할 수 있음을 입증했다.

arXiv:2606.30936v1cs.LG

Physics-informed Conditional Normalizing Flows for Angles-only Cislunar Orbit Determination

Generative Astrodynamics is advanced in this work by extending generative modelling to an orbit determination problem in the cislunar environment. The task is formulated as conditional density estimation, aiming to infer the probability distribution of the initial state from angles-only measurements over short observation arcs. A normalising flow is trained on perturbed topocentric observations from Near Rectilinear Halo Orbits, enabling a flexible and potentially multimodal posterior representation. Given new measurements, the learned density is sampled to generate statistically consistent and physics-informed state hypotheses. These estimates are refined via nonlinear least-squares minimisation, providing a competitive warm start for classical algorithms.

arXiv:2606.30489v1stat.ML

Factorizable Normalizing Flows for parameter-dependent density morphing

Factorizable Normalizing Flows(FNF)는 물리학 등 과학 분야에서 연속적인 파라미터에 따라 확률 밀도가 변형되는 문제를 다루기 위해, 기준 분포를 위한 고정 플로우와 파라미터에 대해 다항식이며 인수분해(factorized)된 학습 가능 변환을 결합한 구조를 제안한다. 각 파라미터의 효과를 독립적으로 학습하고 추론 시 합산으로 결합함으로써 결합 파라미터 공간의 지수적 탐색 없이 선형 확장성과 해석 가능성을 유지하며, 고에너지 물리학의 비구간(unbinned) 우도 피팅에 직접 적용 가능함을 실험으로 검증했다.

arXiv:2606.29724v1cs.LG

저랭크 혼합 모델을 활용한 흐름 매칭 변환의 단순화

Simplifying Flow Matching Transformations with Low-Rank Mixture Models

정규화 흐름(normalizing flows)의 잠재 분포로 표준 정규 분포 대신 확률적 주성분 분석기 혼합(MPPCA)을 사용하여 데이터 분포와의 KL 발산을 줄이고 흐름 변환을 단순화하는 방법을 제안한다. MPPCA는 기댓값 최대화(EM) 알고리즘으로 효율적으로 적합되며, 표 형식 및 이미지 데이터셋 실험에서 기준선 대비 학습 수렴 속도와 생성 품질이 일관되게 향상됨을 입증하였다.

arXiv:2505.23527v4cs.LG공식 코드 · Papers with Code

정규화 흐름은 연속 제어에 유능한 모델이다

Normalizing Flows are Capable Models for Continuous Control

정규화 흐름(NF)은 미분 방정식 풀이나 autoregressive 구조 없이 우도 계산과 샘플링을 지원하며, 표현력이 부족하다는 기존 인식과 달리 RL에서 정책, Q-함수, 점유도를 담당하는 단일 아키텍처로 알고리즘에 통합할 수 있음을 보인다. 이 방식은 구현을 단순화하면서 모방 학습, 오프라인 RL, 목표 조건 RL, 비지도 RL에서 diffusion·트랜스포머 기반 방법과 경쟁하거나 더 높은 성능을 달성한다.

arXiv:2606.24427v1stat.CO

NoLimits.jl: Julia에서의 유연하고 조합 가능한 비선형 혼합 효과 모델링

NoLimits.jl: Flexible and Composable Nonlinear Mixed-Effects Modeling in Julia

종단 데이터 분석에 쓰이는 비선형 혼합 효과 모델(nonlinear mixed-effects model)의 기존 오픈소스 한계를 보완하기 위해 Julia 패키지 NoLimits.jl을 제안하며, 상미분 방정식·마르코프 모델·신경망 등을 매크로로 조합해 관측·잠재 상태 모델을 구성하고 라플라스 근사, 확률적 기댓값 최대화, 베이지안 MCMC 추론을 단일 인터페이스로 통합한다. 세 가지 사례 연구에서 미분 가능한 머신러닝 구성 요소 통합과 정규화 흐름(normalizing flow) 기반 랜덤 효과 분포 추정을 시연해 단일 프레임워크에서 명세·추정·비교 가능한 모델 범위를 크게 확장한다.

arXiv:2606.21907v1stat.ME

시뮬레이션 기반 추론을 이용한 비모수적 디컨볼루션 및 노이즈 제거

Nonparametric Deconvolution and Denoising using Simulation Based Inference

가법 측정 오차로 가려진 잠재 신호의 분포 추정과 개별 노이즈 제거를 위해 convMMD 손실 기반의 가능도 없는(likelihood-free) 시뮬레이션 추론 프레임워크를 제안하며, 관측 데이터 분포를 노이즈 합성곱 모델 분포와 맞춰 잠재 생성 모델을 학습한다. Sobolev 평활도 하에서 유한 표본 경계와 L2 수렴률을 증명해 ordinary-smooth 노이즈에는 다항, super-smooth 노이즈에는 대수적 수렴 특성을 회복한다.

arXiv:2606.21415v1cs.LG

하나의 크기로 모두를 맞출 수 없다: 비지도 도메인 적응을 위한 이종 잠재 공간 정렬

One Size does not Fit All: Heterogeneous Latent Space Alignment for Unsupervised Domain Adaptation

도메인 시프트(domain shift)는 의료와 같은 고위험 환경에서 머신러닝 모델의 신뢰할 수 있는 배포를 가로막는 주요 장애물로 남아 있다. 도메인 적응(domain adaptation)은 이러한 영향을 완화하는 것을 목표로 하지만, 기존 접근법들은 잠재 표현의 표현력 한계와 수작업으로 설계된 정적 증강에 대한 의존이라는 문제를 안고 있다. 본 연구에서는 이러한 한계를 해결하기 위해 의료 이미지 분할(image segmentation)에 특화하여 최적화된 비지도 도메인 적응(UDA)을 위한 새로운 심층 학습(deep learning) 아키텍처를 제안한다. 우리의 프레임워크인 ADualVUOT는 이중 인코더 변분 오토인코더(VAE)와 연속 정규화 흐름(CNF, Continuous Normalizing Flows)을 통합하여 모델링 유연성과 사후 분포 표현력을 향상시킨다. 도메인 정렬을 달성하기 위해, 도메인 간 구조적·위상적 불일치를 처리하는 가우시안-그로모프-바서슈타인(Gaussian-Gromov-Wasserstein, GGW) 거리를 통해 불균형 최적 수송(UOT, Unbalanced Optimal Transport)을 활용한다. 나아가, 최악의 경우 조합을 합성하는 적대적 증강 기법을 도입하여 모델 강건성을 강화한다. 의료 영상 벤치마크에 대한 광범위한 실험 결과, 기존 OT 기반 접근법 대비 유의미한 성능 향상이 확인되었다.

arXiv:2606.21385v1cs.LG

타협 없는 비지도 분리: 기능적 직교성이 식별 가능성을 어떻게 보장하는가

Unsupervised Disentanglement Without Compromises : How Functional Orthogonality Enforces Identifiability

이 논문은 기능적 관점에서 비지도 분리 표현 학습을 탐구한다. 우리는 잠재 개념을 관측에 국소적으로 직교하는 방향을 통해 영향을 미치는 요인으로 정의하며, 이를 생성 매핑의 야코비안에 대한 직교성 제약으로 형식화한다. 잠재 영역이 요인 값의 모든 조합을 허용하는 한, 이 조건은 통계적 독립성이나 인과적 가정을 요구하지 않고도 일반적인 비선형 생성 모델의 식별 가능성을 제공함을 증명한다. 직교성 정규화를 적용한 normalizing flows 실험은 이론을 실증적으로 확인하고, ground-truth 요인의 신뢰할 수 있는 복원을 보여주며, VAE의 성공에 대한 통찰을 제공한다. 이러한 발견은 비지도 분리에 대한 지배적인 불가능성 주장에 도전하며, 원칙적인 대안적 기반을 제공한다.

arXiv:2606.21099v1cs.CV

ShuffleFlow: 베이지안 역상 문제를 위한 확장 가능한 사후 추론

ShuffleFlow: Scalable Posterior Inference for Bayesian Inverse Imaging

변분 추론(VI)은 과학적 역상 문제에 대한 원칙적 사후 추론을 위한 강력한 방법이다. VI는 사후 분포를 학습하며, 흔히 플로우 기반 네트워크를 사용하여 최적화 후 저비용으로 사후 표본을 생성할 수 있고, score 기반 또는 전통적 사전분포를 유연하게 통합할 수 있다. 그러나 플로우 기반 네트워크의 낮은 확장성 때문에 대규모 이미지 재구성에 적용하는 것은 심각하게 제약된다. 본 연구에서는 이 문제를 해결하기 위한 확장 가능한 VI 프레임워크인 ShuffleFlow를 제안한다. 우리 방법은 문제를 세 부분으로 나눈다: pixel-unshuffling 기반 이미지 좌표 샘플러, 특징 인코더로서의 신경 필드(neural field), 그리고 사후 추정기로서의 조건부 정규화 플로우(CNF)이다. 구체적으로, 프레임워크는 pixel-unshuffling으로 이미지를 부분 이미지들의 스택으로 분할하고, 공유 CNF를 사용해 부분 이미지 스택의 결합 분포를 모델링한다. CNF를 신경 필드의 출력에 조건화하며, 이 신경 필드는 공간 구조를 포착하기 위해 pixel-unshuffling 샘플 위치에 대응하는 특징 벡터를 임베딩한다. 또한 채널 간 상관관계를 모델링하기 위해 플로우의 잠재 변수를 채널 전체에 공유한다. 선형 및 비선형 imaging 역문제 모두에서 방법의 효과와 효율성을 입증하고, diffusion 샘플러보다 더 많은 표본 수의 사후 분포를 더 빠르게 생성할 수 있음을 보여준다.