PyTorchKR Papers

최신 논문

총 1,159편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.25245v1cs.CV

OrthoTrack: 공개 정사항공사진에 기반한 연속적 6-DoF 무인항공기 궤적 추정

OrthoTrack: Continuous 6-DoF UAV Trajectory Estimation Anchored in Public Orthophotos

연속적 6-DoF(6자유도) 자세 추정은 자율 무인항공기(UAV) 운용에 필수적이다. 그러나 기존의 시각적 오도메트리(visual odometry) 및 SLAM 방법은 드리프트(drift)가 누적되어 상대적이고 스케일이 불확정된 궤적만을 생성한다. 단일 프레임 지리적 위치 추정(geo-localization)은 시간적 연속성을 버리고 실시간 사용에 너무 느리다. 우리는 공개적으로 이용 가능한 정사항공사진(orthophoto)과 표면 모델만을 지도 사전 정보로 사용하여 연속적인 6-DoF UAV 궤적을 추정하는 학습(training) 없는 시스템인 OrthoTrack을 제시한다. OrthoTrack은 키프레임(keyframe)을 정사항공사진과 매칭하고, 표면 모델을 통해 대응점을 미터 단위의 3D 공간으로 변환한다. 이후 광학 흐름(optical flow)을 이용해 이러한 지도 기준 대응점을 중간 프레임으로 전파함으로써, GPS나 사후 정렬 없이 모든 프레임에서 절대적이고 미터 스케일로 정규화된 자세를 생성한다. 또한 우리는 포토리얼리스틱(photorealistic) UAV 시퀀스와 밀집 6-DoF 정답 데이터 및 다중 시기 정사항공사진을 포함한 공동 등록된 다중 모달 지리 데이터를 쌍으로 구성한 대규모 벤치마크인 MovingDrone 데이터셋을 소개한다. MovingDrone과 실세계 벤치마크에서 OrthoTrack은 단일 GPU로 실시간 동작한다. 오라클 스케일 및 정렬을 제공받는 기준선(baseline)을 포함한 모든 기준선을 큰 마진(margin)으로 능가한다. 공개된 지리 데이터에 의존함으로써 OrthoTrack은 지역별 적응 없이도 새로운 지역에 배포할 수 있다.

arXiv:2606.25374v1cs.AI

What Actually Works for Spacecraft Fault-Tolerant Control: An Honest Settled-Gate Benchmark of Learned and Classical Methods

Recent learned fault-tolerant-control (FTC) work reports high success on spacecraft actuator faults, but often in simulation, on narrow fault sets, and with transient metrics that a trajectory need only touch once. We ask what recovers spacecraft pointing when success means holding it on faults never seen in training. We answer with a benchmark built around a settled gate, pointing held within 0.2 deg over a dwell window and scored on the true state, train/test splits disjoint in inertia, gain, sign pattern, and bias, Wilson intervals over n=500 episodes per cell, and one-command reproduction on a 6-DOF Basilisk testbed. Across classical, adaptive, learned end-to-end, and structured controllers, three findings stand out. Fault-unaware PD/PID and from-scratch end-to-end RL score 0%, so learning capacity alone is not the lever. Classical adaptive laws resolve sign faults but handle gain poorly at 55.2%, and a literature-faithful Nussbaum-gain law reaches 45.2% and 3.2%. A structured estimate-then-control design, with a learned recurrent module that infers actuator gain online and feeds an analytic law, wins on sign and gain faults at 97.8% and 94.4%, approaching the privileged oracle while unstructured methods remain at zero. The hard wall is constant additive bias, which is 0% for every controller including the privileged gain oracle, because an integral-free law cannot null a constant disturbance. We close it with a disturbance observer that recovers bias from the dynamics and is self-correcting for gain-estimate error. Composed with the gain estimate, it recovers 59.4% of held-out bias faults with no sign/gain regression, moving that class off zero. We classify sensor-fault regimes similarly, show that sensor bias is unobservable from the corrupted measurement alone and therefore requires fusion rather than an observer, and release the benchmark so the gate is shared.

arXiv:2606.25366v1cs.RO

Reliability-Asymmetric Spacecraft Autonomy: Co-Designing a Capable Learned GNC Stack with a Verified, Adaptation-Aware Runtime Shield

Deep-space missions need onboard autonomy that is both capable and certifiable. Rule-based autonomy is certifiable but brittle, while learned autonomy is capable but hard to verify. We present AMPLE-GNC, a three-tier guidance, navigation, and control stack. Its capability path combines a small foundation-model commander that maps natural language to PDDL+, a constraint-screening verifier, and a fault-adaptive controller. All three are bounded by a runtime shield with nine linear-temporal-logic invariants whose predictor soundness is machine-checked by the Kind 2 model checker. On a 6-DOF Basilisk testbed, we make three contributions. First, we deploy an edge commander. Fine-tuning a pretrained 360M model with grammar-constrained decoding gives a hard output-validity guarantee and 84% planner-executable actions. On a de-leaked test, novel-phrasing generalization is 38% exact and 51% action, rising to 48% exact after phrasing-diversity re-finetuning; we separate syntactic validity from semantic accuracy. Second, we introduce a fault-adaptive controller. Rapid Motor Adaptation infers latent actuator faults online and recovers 97.8% of actuator-sign faults and 94.4% of continuous-gain faults within the training randomization envelope. Fault-unaware PD and from-scratch end-to-end RL both score 0%, while the strongest classical-adaptive baseline reaches 55% on continuous gain. Beyond the envelope, a split-conformant retrain scores 57-67%, and adding 4x more in-regime data worsens performance, showing that randomization breadth, not data volume, drives generalization. Robustness is flat under star-tracker noise to 0.005. Third, we show that a latching safe-hold shield can suppress even a capable controller. A split-conformal recovery-deadline certificate with adaptation-aware engagement reconciles safety and recovery, keeping the controller 94.5% autonomous while still catching non-recovery.

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:2606.23944v1astro-ph.IM

Stochastic Expectation Maximization for Robust State-Space Radio Interferometric Imaging

무선 간섭(RFI)으로 인한 heavy-tailed 측정 잡음을 다루기 위해 선형 상태-공간 모델에 compound-Gaussian 잡음을 적용하고, 잠재 상태와 잡음 texture를 폐형 Gibbs 갱신으로 몬테카를로 샘플링하는 SAEM(Stochastic Approximation Expectation-Maximization) 기반 강건 추정법을 제안한다. 수치 실험에서 RFI가 있는 전파 간섭계(radio interferometric) 영상 재구성에서 가우시안 EM과 오라클 RTS smoother보다 재구성 품질과 강건성이 크게 향상됨을 보였다.

arXiv:2601.21860v3math.OC

Pathwise Learning of Stochastic Dynamical Systems with Partial Observations

노이즈가 있는 비선형 관측으로만 간접 관측되는 확률적 동역학 시스템(SDE)에서 계수 추정과 관측에 따른 사후 갱신을 함께 다루기 위해, pathwise Zakai equation의 score 구조를 이용한 제어 SDE 표현과 변분 추론을 결합한 상각화(amortized) 경로 생성 방법을 제안한다. 다중모드 사후, 혼돈 동역학, 희소 관측을 갖는 비선형 시스템 실험에서 학습된 조건부 경로 생성기가 필터링 주변분포와 궤적 의존 함수량의 불확실성 정량화를 가능하게 함을 보였다.

arXiv:2606.24176v1cs.CL

A Synthetic Reliability-Aware PINN Benchmark for Offshore Wind Turbine Support-Structure Monitoring with Bayesian Inverse Identification

해상 풍력 터빈(OWT) 모노파일 지지구조의 희소 측정 기반 구조 건전성 모니터링(SHM)을 위해 DigiTurbine이라는 신뢰성 인식 물리 정보 신경망(PINN) 합성 벤치마크를 제안하며, 단순화된 Euler–Bernoulli 보와 Winkler 지반 방정식을 학습 목표에 내재하고 베이지안 사전분포 기반 역식별과 1차 신뢰성법(FORM) 스크리닝을 결합한다. NREL 5MW 맥락의 합성 검증에서 순방향 PINN은 평균 RMSE 0.135mm와 10ms 미만 추론을 달성하고, 약한 베이지안 사전분포가 역 PINN의 gradient direction problem을 완화해 8/8 통과했으며, FORM 포함 전체 파이프라인은 약 7ms에 완료된다.

arXiv:2606.22604v1cs.NE

안정적인 시각 객체 추적을 위한 상호 보완적 추정 메커니즘 통합 이론 기반 하이브리드 신경망

A Theory-grounded Hybrid Neural Network Integrating Complementary Estimation Mechanisms for Stable Visual Object TrackingA

인공 신경망(ANN)과 연속 어트랙터 신경망(CANN)을 동일 상태 공간에서 정렬하고 바이어스-분산 상호 보완성을 활용한 이론 기반 하이브리드 추적 신경망(HTNN)을 제안하여, 시각 객체 추적에서 데이터 기반 ANN의 편향 없는 추정과 CANN의 저분산 추정을 융합한다. HTNN은 9개 시각 추적 벤치마크에서 단일 네트워크 및 기존 하이브리드 모델을 꾸준히 능가하며, 가림·모션 블러·배경 간섭 등 다양한 환경 변화에서도 안정적 성능을 유지한다.

arXiv:2603.20819v2cs.LG

유계 노이즈 하에서 이중선형 시스템 동정의 $\widetilde{O}(1/ε)$ 샘플 복잡도 달성

Achieving $\widetilde{O}(1/ε)$ Sample Complexity for Bilinear Systems Identification under Bounded Noises

유계 대칭 로그-오목(log-concave) 교란 하의 이산 시간 이중선형(bilinear) 시스템에 대해 궤적 의존 회귀 변수와 한계적 안정 동역학을 허용하는 유한 샘플 집합 멤버십(set-membership) 동정 프레임워크를 제안한다. 추정 오차 ε에 대해 실행 가능 매개변수 집합의 지름이 샘플 복잡도 Õ(1/ε)로 수축함을 증명했으며, 시뮬레이션으로 불확실성 정량화(uncertainty quantification) 이점을 확인했다.

arXiv:2508.17142v3eess.SY

저차 시스템의 주파수 응답 동정: 유한 샘플 분석

Frequency Response Identification of Low-Order Systems: Finite-Sample Analysis

반복적인 노이즈가 포함된 주파수 영역 측정값으로부터 Loewner 행렬의 핵노름 정규화와 세미데피니트 프로그램(semidefinite program) 기반 안정성 제약을 결합한 저차 시스템 주파수 응답 추정기를 제안하고, 샘플링된 주파수에서의 유한 샘플 오차 상계를 유리 보간(rational interpolation)으로 전 주파수로 확장한다. 이 상계는 반복 실험 횟수, 주파수 점 수, 시스템 차수, 노이즈 수준에 대한 의존성을 특성화하며, SISO 및 MIMO 수치 실험에서 저차 촉진 효과와 예측된 스케일링 법칙을 검증한다.

arXiv:2508.13313v5stat.ML

효율적이고 확장 가능한 데이터 동화를 위한 Flow Matching

Flow Matching for Efficient and Scalable Data Assimilation

데이터 동화(DA)는 노이즈가 섞인 관측값으로부터 동적 시스템의 상태를 추정합니다. 앙상블 스코어 필터(EnSF)와 같은 최신 생성 모델은 고차원 비선형 설정에서 DA를 개선하지만 계산 비용이 많이 듭니다. 우리는 샘플링을 가속화하고 플로우 설계에 유연성을 제공하는, 학습(training)이 필요 없는 Flow Matching(FM) 기반 프레임워크인 앙상블 플로우 필터(EnFF)를 소개합니다. EnFF는 주변 플로우 필드에 대한 몬테카를로 추정기, 관측값 동화를 위한 국소화된 가이던스(guidance), 그리고 베이지안 DA 공식을 활용하는 새로운 플로우 경로를 사용합니다. 이는 부트스트랩 입자 필터(bootstrap particle filter) 및 앙상블 칼만 필터(ensemble Kalman filter)와 같은 고전적인 필터를 일반화합니다. 고차원 벤치마크에 대한 실험은 EnFF의 개선된 비용-정확도 트레이드오프와 확장성을 입증하며, 효율적이고 확장 가능한 DA를 위한 FM의 잠재력을 강조합니다. 코드는 https://github.com/Utah-Math-Data-Science/Data-Assimilation-Flow-Matching 에서 확인할 수 있습니다.

arXiv:2606.22075v1cs.LG

비선형 동역학 시스템 모델링을 위한 주파수 영역 Neural ODE

Frequency-Domain Neural ODEs for Modeling Non-Linear Dynamical Systems

Neural Ordinary Differential Equations (NODE)와 같은 표준 연속 깊이 모델은 이산 시간 단계 대신 연속 벡터 필드를 학습함으로써 물리 시스템 모델링에 상당한 이점을 제공한다. 그러나 복잡한 동역학 시스템에 적용할 때 표준 NODE는 고도로 비선형인 동역학을 다루는 데 자주 어려움을 겪는다. 본 논문은 Fast Fourier Transform (FFT)을 사용하여 연속 시간 동역학을 주파수 영역으로 투영하는 아키텍처인 Frequency-domain Neural ODE (FNODE)를 조사한다. 주파수 영역에서 동작함으로써, 해당 모델은 동역학 시스템에 대한 더 나은 일반화를 제공한다. 이 아키텍처는 Lotka-Volterra 모델, 강제 Duffing 진동자, Van der Pol 진동자, Lorenz 시스템이라는 네 가지 서로 다른 동역학 시스템에 대해, 구체적으로 Gated Recurrent Unit (GRU)와 Long Short-Term Memory (LSTM) 같은 이산 모델 및 Augmented Neural ODE (ANODE)를 포함한 다른 연속 깊이 변형과 비교하여 실증적으로 평가된다. 일반화와 견고성을 엄밀히 평가하기 위해, 커리큘럼 학습과 앙상블 학습을 사용하여 서로 다른 앙상블 모델들에 걸쳐 신뢰 구간을 추정함으로써 모델의 수렴을 평가한다. 실증 결과는 FNODE 아키텍처가 뛰어난 수렴 안정성을 보이면서 더 나은 일반화를 달성함을 보여준다.

arXiv:2606.21728v1cs.LG

동적 모델링을 위한 확률적 신경망에 선형 등식 제약 조건 내재화

Embedding Linear Equality Constraints in Probabilistic Neural Networks for Dynamic Modelling

기계학습 모델은 화학 공정 시스템 모델링에 점점 더 많이 사용되고 있지만, 원칙적인 불확실성 정량화와 물리적 제약을 강제하는 메커니즘이 종종 부족하다. 우리는 주어진 허용 오차 내에서 선형 등식 제약 조건의 만족을 보장하면서 우연적 불확실성(aleatoric uncertainty)을 포착하는 확률적 신경망 프레임워크를 제안한다. 최신(state-of-the-art) 방법들과 비교할 때, 우리의 공식화는 축소된 데이터에서 예측 정확도, 불확실성 보정, 제약 준수 측면에서 개선된 성능을 보여준다. 또한 대규모 데이터 체제에서 평가할 때 경쟁력 있는 성능을 보이면서 학습 시간이 훨씬 더 빠르다. 우리는 이를 두 건의 배치 리액터 사례 연구에서 질량 수지를 강제하는 조건 하에 평가했다.

arXiv:2606.20955v1cs.LG

빠른 수렴 동적 평균 추정을 위한 게이트 그래프 신경망 접근법

A Gated Graph Neural Network Approach to Fast-Convergent Dynamic Average Estimation

동적 평균 추정(dynamic average estimation)은 다중 에이전트 시스템에서 핵심적인 문제로, 에이전트들이 로컬 정보 교환만을 활용하여 시변 신호를 협력적으로 추정할 수 있게 한다. 전통적인 모델 기반 접근법은 수렴 속도 및 네트워크 토폴로지 변화에 대한 민감성 측면에서 어려움을 겪는 경우가 많다. 본 논문은 완전 분산 방식으로 빠른 수렴의 동적 평균 추정을 달성하기 위해 게이트 그래프 신경망(GGNN, Gated Graph Neural Networks)을 활용한 새로운 학습 기반 솔루션을 제안한다. GGNN의 고유한 구조적 특성을 이용하여, 제안된 방법은 추정 과정을 분산 자기회귀기(distributed autoregressor)로 모델링함으로써 안정성을 유지하면서 빠른 수렴을 보장한다. 학습 시 수렴 보장을 강제하기 위한 정규화 항을 도입하고, 표준 GGNN 대비 정확도를 희생하지 않으면서 통신 오버헤드를 줄이기 위한 인코딩-디코딩 메커니즘을 소개한다. 광범위한 수치 실험을 통해 제안된 접근법이 수렴 속도와 정밀도 모두에서 기존 모델 기반 추정기를 크게 능가함을 입증하며, 동적 평균 추정이 요구되는 다중 에이전트 응용에 유망한 대안임을 보인다.

arXiv:2606.20920v1cs.LG

$Ω$: 생성적 동화를 위한 연산자 기반 혼합 앙상블

$Ω$: Operator-based Mixture Ensemble for Generative Assimilation

부분 관측 고차원 비선형 시스템에서 비가우스 사후 분포를 특성화하는 것은 데이터 동화에서 여전히 근본적인 과제이다. 앙상블 칼만 필터는 강하게 비가우스인 사후 분포에 대해 부정확할 수 있는 가우스 근사에 의존하는 반면, 파티클 필터는 심각한 확장성 한계에 직면한다. 최근 점수 기반 생성적 접근법은 사후 분포 특성화를 개선하지만, 일반적으로 정답 사후 샘플을 갖춘 지도 학습을 요구하며, 이는 대부분의 실용적 응용에서 이용할 수 없다. 우리는 조건부 가우스 대리 모델링, 비지도 점수 학습, 생성적 샘플링을 통합하는 확장 가능한 프레임워크인 $Ω$(Operator-based Mixture Ensemble for Generative Assimilation, 생성적 동화를 위한 연산자 기반 혼합 앙상블)를 제안한다. 조건부 가우스 대리 모델은 미해결 변수에 대해 닫힌 형태의 조건부 사후 분포를 허용하면서 비선형 비가우스 기준선 근사를 제공한다. 첫째, $Ω$는 이러한 닫힌 형태의 조건부 분포를 활용하여 고차원 미관측 성분을 해석적으로 복원함으로써 계산 비용을 줄이고 차원의 저주를 완화한다. 둘째, $Ω$는 앙상블 궤적만을 사용한 노이즈 제거 점수 매칭(denoising score matching)을 통해 해석적 기준선을 넘어서는 잔차 불일치만을 학습하여, 정답 사후 샘플의 필요성을 없애고 학습 부담을 크게 줄인다. 셋째, $Ω$는 가우스 혼합 표현을 통해 관측 변수와 미관측 변수 모두의 완전한 비가우스 사후 분포를 재구성하여 다중 모드, 비대칭, heavy-tailed 통계량을 포착한다. 마지막으로, $Ω$는 annealed Langevin 샘pling을 사용하여 앙상블 구성원을 기준선에서 목표 사후 분포를 향해 반복적으로 정제한다. $Ω$는 간헐성과 극한 사건을 갖는 여러 난류 모델에서 검증되었으며, 사후 분포 정확도를 일관되게 향상시킨다.

arXiv:2606.21971v1cs.AI

REBA: 연속 POMDP에서 온라인 계획을 위한 표출 신념 오토마톤(Revealed Belief Automaton) 프레임워크

REBA: A Revealed Belief Automaton Framework for Online Planning in Continuous POMDPs

연속 부분 관측 마르코프 결정 과정(POMDP)에서 $ω$-regular 명세를 사용한 온라인 계획은 시간적 진행을 추적하기 위해 유한한 기호 기억(symbolic memory) 내에서 연속적인 믿음 상태 역학(belief dynamics)을 처리해야 한다. 믿음 공간에서의 직접 탐색이나 사전 정의된 이산 추상화에 기반한 기존 방법들은 장기 지평 논리적 진행을 위한 기호 기억 부재, 또는 노이즈가 있는 온라인 믿음 상태로부터의 검증(certification) 어려움 등의 단점을 가진다. 따라서 연속 관측으로부터 신뢰할 수 있는 기호 상태를 온라인으로 얻는 것은 여전히 과제로 남아 있다. 이 문제를 해결하기 위해, 우리는 전역 믿음 공간 이산화에서 표출(revelation) 사건의 온라인 검증이라는 근본적으로 새로운 사고 방식으로 연구를 발전시키는 이벤트 기반 프레임워크인 표출 신념 오토마톤(Revealed Belief Automaton, REBA)을 제안한다. 구체적으로, 정보 이론적 게이트(information-theoretic gates)를 통해 노이즈가 있는 믿음 상태들 사이에서 신뢰할 수 있는 앵커(anchor)를 발견함으로써 연속 믿음 공간으로부터 믿음 추상화(belief abstraction)를 동적으로 분석하고 확립하는 온라인 표출(revelation) 방법을 제안한다. 그다음 검증된 앵커 위에 점증적 위상(topology) 적응 메커니즘을 개발하여 온라인 유한 믿음 오토마톤(Belief Automaton)을 구현한다. $ω$-regular 명세와 결합함으로써 REBA는 사전 정의된 이산 추상화 없이 형식적 패리티(parity) 정책 합성(formal parity policy synthesis)을 지원할 수 있으며, 이는 다시 Monte Carlo Tree Search(MCTS) 과정을 국소 지평(local horizon)을 넘어 온라인 탐색을 수행하도록 안내할 수 있다. 또한 기본 연속 POMDP에 대한 이러한 이산 안내의 효과와 신뢰성을 평가할 수 있는 오류 분해(error decomposition) 분석을 설계한다. 순찰(patrolling) 및 내비게이션 시나리오에서의 실증 평가는 REBA가 평가된 모든 기준선(baseline)과 동등하거나 이를 초과함을 보여주며, 최신(state-of-the-art) 접근법 대비 주요 지표에서 +17.0%에서 +47.4%의 향상을 달성한다.

arXiv:2606.21344v1cs.AI

노이즈에 주의하라: 노이즈 데이터에 대한 트랜스포머 기반 상호작용 인식 궤적 예측 모델의 민감도

Mind the Noise: Sensitivity of Transformer-based Interaction-Aware Trajectory Prediction Models to Noisy Data

궤적 예측은 자율주행 차량이 주변 객체(또는 에이전트)의 미래 행동을 예측하고, 이에 따라 주행의 안전성과 효율성을 극대화할 수 있게 한다. 최신 트랜스포머 기반 상호작용 인식 궤적 예측 모델은 어텐션 메커니즘에 의존하여 다중 에이전트 상호작용을 포착하고 예측 정확도를 극대화하는데, 이러한 모델은 일반적으로 장거리 고품질 데이터셋에서 학습 및 평가된다. 이러한 데이터셋은 일반적으로 여러 차량이나 드론의 데이터를 집계하고 객체 검출 또는 추적 노이즈를 오프라인으로 제거하여 얻는다. 그러나 실제 배포 환경에서는 주변 객체의 상태(위치, 속도, 방향)에 대한 정보가 전혀 노이즈가 없다고 할 수 없다. 객체 상태 추정은 지각 불확실성과 위치 추정 오류의 영향을 받으며, 차량-모든것(V2X) 통신을 통해 수신한 객체의 경우 이러한 오류가 특히 클 수 있다. 본 논문에서는 노이즈가 포함된 객체 상태 정보가 최신 트랜스포머 기반 상호작용 인식 궤적 예측 모델의 궤적 예측 정확도에 미치는 영향을 분석한다. 우리 연구는 노이즈 강도가 증가함에 따라 궤적 예측 정확도가 급격히 저하될 수 있음을 보여준다. 수치 결과는 작은 노이즈 수준에서는 예측 정확도가 1.3배 요인만큼 감소할 수 있으며, 가장 높은(그러나 현실적인) 노이즈 조건에서는 최대 3.9배까지 감소할 수 있음을 보여준다. 이러한 결과는 궤적 예측 모델이 노이즈 데이터에 매우 민감함을 드러내며, 보다 현실적인 학습 및 평가 데이터셋과 노이즈 완화 전략의 필요성을 강조한다.

arXiv:2606.20583v1cs.NI

Physical-AI: 6G 무선 네트워크에서 채널 인지에서 환경 지능으로

Physical-AI: From Channel Awareness to Environmental Intelligence in 6G Wireless Networks

기존 무선 네트워크는 순간 채널 상태 정보(CSI)에 의존하며 물리적 환경을 명시적으로 모델링하지 않고 채널 변동에 반응하기 때문에, 동적 배치에서 차단(blockage), 이동성(mobility), 간섭(interference)을 처리하는 능력이 제한된다. 통합 감지 및 통신(Integrated Sensing and Communication, ISAC)과 같은 패러다임은 감지(sensing) 기능을 추가하지만 명시적인 환경 모델링과 의사결정이 부족하다. 본 논문에서는 Physical-AI를 제안한다. 이는 데이터 전송 외에도 무선 신호가 환경에 대한 감지, 모델링, 상호작용을 가능하게 하는 환경 인지 무선 네트워킹을 위한 새로운 아키텍처이다. 이 프레임워크는 분산 무선 관측을 공유 잠재 환경 표현으로 변환하기 위한 자기지도 학습(self-supervised) 시공간(spatiotemporal) 무선 파운데이션 모델을 제안한다. 다수의 추론 헤드(inference head)가 이 표현 위에서 동작하여 차단, 사용자 분포, 이동성 역학, 간섭 구조 등 핵심 환경 특성을 추정한다. 과제별(task-specific) 신경망 의사결정 층이 이 표현을 선제적이고 컨텍스트 인지(context-aware) 제어 동작으로 매핑한다. 지각(perception), 세계 모델링(world modeling), 의사결정을 폐루프(closed loop)로 통합함으로써, 제안 프레임워크는 ISAC을 넘어 Physical-AI를 지능형 6G 시스템을 위한 유망한 아키텍처로 자리매김한다. 시뮬레이션 결과는 제안된 예측 프레임워크가 특히 빔 전환(beam-switching) 지연이 증가할수록 서비스 중단(outage) 확률과 차단 대응 지연시간을 감소시킴을 보여준다.

arXiv:2606.20504v1quant-ph

변분 및 고전적 신경망을 통한 다중 큐트리트 시스템에서의 엔트로피 추정

Entropy Estimation in Multi-Qutrit Systems via Variational and Classical Neural Networks

우리는 이상적인(잡음이 없는) 양자 시뮬레이터를 사용하여 평가된, 두 가지 상호 보완적인 접근 방식인 변분 양자 알고리즘(VQAs)과 고전적 합성곱 신경망(CNNs)을 사용하여 다중 큐트리트 양자 시스템에서의 폰 노이만 엔트로피 추정에 대한 체계적인 연구를 제시합니다. 최대 3개의 큐트리트 시스템에 대해, 우리는 11개의 하드웨어 효율적인 SU(3) 기반 안사츠(ansatz)를 구성하고 평가합니다. 매개변수 스윕(parameter sweep)은 충분한 얽힘이 존재하는 경우, 추정 정확도가 주로 학습 가능한 매개변수의 수에 의해 결정됨을 보여줍니다. 이 연구를 기반으로, 우리는 후속 실험을 위해 매개변수 수를 약 120개로 고정하며, 임계값을 초과하여 얽힘 게이트(entangling-gate) 수를 늘리는 것은 미미한 개선만을 가져옴을 관찰합니다. 더 큰 시스템(2~5개 큐트리트)의 경우, 우리는 텐서 곱 상호 비편향 기저(tensor-product mutually unbiased bases)에서의 측정 결과로 학습된 CNN을 사용합니다. 해당 모델은 정확하고 안정적인 예측을 달성하며, 시스템 크기에 따라 성능의 체계적인 개선을 보여줍니다. 이때 2큐트리트 시스템에서 오차가 가장 높고 5큐트리트 시스템에서 가장 낮습니다. 특히, 전체 상태 토모그래피(tomography)에 필요한 측정의 12.5%만 사용하는 것만으로도 4큐트리트 및 5큐트리트 시스템 모두에 대해 약 0.13-0.16 내트(nats)의 90번째 백분위수 절대 오차에 도달하기에 충분합니다. 또한 CNN 모델은 샷 노이즈(shot noise)에 대해 견고하며 분포 외(out-of-distribution) 상태로 잘 일반화됩니다. 전반적으로, 여기서 연구된 시뮬레이션 설정 내에서 우리의 결과는 실용적인 방법의 전환을 나타냅니다. 즉, VQA는 작은 시스템에 효과적인 반면, CNN 기반 추정기는 더 큰 큐트리트 시스템에서 개선된 확장성과 견고성을 제공합니다.

arXiv:2606.20415v1cs.LG

의사 특징 패딩: 전력망 내 가짜 데이터 주입에 대한 경량 방어 기법

Pseudo-Feature Padding: A Lightweight Defense Against False Data Injection in Power Grids

심층 신경망(DNNs)은 핵심 운영 중 가짜 데이터 주입 공격(FDIA)을 탐지하기 위한 사이버 물리 시스템(CPS) 적용을 포함하여 다양한 작업에서 탁월한 정확도를 달성했습니다. 그러나 CPS의 독특한 인프라는 탐지를 회피하려는 공격자에 의한 활용에 대해 DNN을 취약하게 만듭니다. 또한 CPS의 고유한 특성은 FDIA에 대한 기존 방어 메커니즘에 어려움을 야기합니다. 본 논문은 입력의 통계적 분포에서 파생된 의사 특징(pseudo-feature) 값을 사용하여 입력 샘플에 패딩을 수행하는 추가 입력 층을 도입함으로써, 이러한 공격으로부터 DNN을 강화하는 혁신적인 방어 프레임워크를 제안합니다. 이 패딩은 무작위화 및 데이터 인식 방식으로 입력 차원을 증가시켜, 제작된 섭동의 비전이성(non-transferable)과 패딩된 구조의 예측 불가능성으로 인해 적대적 공격을 계산적으로 불가능하게 만듭니다. 본 방법은 경량이며 모델에 독립적(model-agnostic)이고, 핵심 아키텍처에 대한 수정이 필요 없으므로 실제 CPS 환경에서 배포 가능성이 매우 높습니다. 우리는 IEEE 14-bus, 30-bus, 118-bus 및 300-bus 시스템을 사용하여 상태 추정과 같은 핵심 전력망 응용 분야에서 본 프레임워크를 평가했습니다. 적대적 환경 하의 실험 결과, 본 패딩 전략은 성능에 미미한 영향만을 미치면서 모델의 강건성을 획기적으로 향상시키며, 기존 방어를 우회했을 공격을 효과적으로 완화함을 입증했습니다.