PyTorchKR Papers

최신 논문

총 1,159편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.17782v1cs.LG

비지도 대칭성 발견을 통한 잠재 도메인의 블라인드 복원

Blind Recovery of Latent Domains via Unsupervised Symmetry Discovery

블라인드 역문제(blind inverse problems)의 주요 동기는 난독화 메커니즘을 알지 못한 상태에서 손상된 관측값으로부터 관심 신호를 복원하는 것이다. 손상이 컨볼루션(convolutional)인 경우 블라인드 디컨볼루션(blind deconvolution)이 주요한 접근 방식이지만, 일반적인 선형 변환이 도메인 구조를 난독화하는 경우에는 적용할 수 없다. 본 연구에서는 데이터 분포의 대칭성을 발견하여 잠재 도메인과 신호를 복원하는 비지도 프레임워크를 제안한다. 우리의 프레임워크는 관측값을 잠재 랜덤 필드에서 샘플링된 신호의 선형 측정값으로 모델링하고, 모델 출력에 정상성(stationarity)과 국소성(locality) 정규화를 부과하여 얕은 그룹 컨볼루션 네트워크(shallow group-convolutional network)를 최적화한다. 이 모델은 잠재 대칭 작용과 적절한 필터를 학습하여, 비정형 관측값을 잠재 신호를 드러내는 대칭성 기반 표현으로 매핑한다. 확률적 과정, 이징 모델(Ising models), 셔플된(shuffled) 및 비트 스크램블된(bit-scrambled) 이미지, 그리고 신경 기록(neural recordings)에 대한 실험 결과, 해당 방법이 비정형 관측값으로부터 잠재 도메인과 신호를 복원함을 보여주며, 이는 대칭성 발견이 비지도 구조 학습 및 블라인드 역문제의 새로운 방향이 될 수 있음을 시사한다.

arXiv:2606.17572v1cs.LG

동역학 모델이 잘못된 타임 스텝을 읽을 때: 강건한 전역 리드아웃을 위한 라벨 프리 이벤트 크레딧 재고정

When Dynamics Models Read the Wrong Time Steps: Label-Free Event Credit Re-Anchoring for Robust Global Readouts

학습된 동역학 모델은 종종 스텝별 특징(feature) 시퀀스를 하나의 리드아웃 벡터로 풀링(pooling)하여 결함 심각도나 충격 강성과 같은 전역 물리적 질문에 답합니다. 이 시퀀스-전역 인터페이스는 연구되지 않은 시간적 크레딧 문제를 야기합니다: 궤적(trajectory) 수준의 감독만으로는 모델이 목표를 결정하는 짧은 물리적 이벤트가 아닌 풍부한 매끄러운 상관 변수(correlates)를 읽으면서도 학습 조건에서 정확하게 예측할 수 있습니다. 우리는 이러한 실패를 시간적 크레딧 희석(temporal credit dilution)이라고 부릅니다. 이는 학습 손실(loss)에 의해 드러나지 않으며 표준적인 물리 정보 기반 잔차(physics-informed residuals)로도 제거되지 않는데, 그 이유는 오류가 전역 리드아웃이 기능적 크레딧을 할당하는 위치에 있기 때문입니다. 우리는 풀링된 크레딧이 이벤트 스텝에 얼마나 할당되는지 측정하는 인터페이스 수준의 프로브(probe)인 Credit-in-Event를 소개하고, 이벤트 비율이 줄어듦에 따라 풀링된 선형 리더가 크레딧을 허위 배경 채널로 라우팅한다는 것을 폐쇄형(closed form)으로 증명합니다. 그런 다음 우리는 학습된 특징(feature)으로부터 일시적 이벤트 코어를 추정하고 이벤트-나머지 대비(contrast)를 통해 풀링된 표현을 재고정하는, 학습 없는(training-free) 라벨 프리(label-free) 리드아웃인 CREST를 제안합니다. 시뮬레이션된 기어 및 충격 시스템, 순환(recurrent) 및 어텐션(attention) 인코더, 공개 베어링 진동 데이터에 걸쳐, CREST는 이벤트 크레딧을 복원하면서 분포 외(out-of-distribution) 오류를 줄입니다. 제거 연구(ablations)는 안정 스텝 선택 및 수용 필드(receptive-field) 축소가 실패함을 보여주며, 이는 이득이 일반적인 국소성(locality)이나 안정성 사전(prior)이 아닌 이벤트 코어 크레딧 재고정에서 비롯됨을 확인시켜 줍니다.

arXiv:2606.17394v1cs.RO

설계된 재료를 위한 수초 내 손상 적응

Damage Adaptation in Seconds for Architected Materials

손상 및 현장 물리적 수리에 대한 적응은 장기적인 로봇 자율성에 필수적이지만, 좁게 정의되고 잘 예상된 범위를 벗어나면 어렵습니다. 본 연구에서 우리는 1분 이내에 소프트 구동 시스템의 치명적인 손상에 대해 고유 수성(proprioception)을 통해 적응합니다. 설계된 재료(architected materials)는 적응에 매우 적합합니다. 액추에이터 고장은 급격하기보다 점진적으로 발생하며, 손상은 저차원의 이산 좌표 공간으로 기술할 수 있습니다. 놀랍게도, 잠재 손상 표현과 간단하면서도 견고한 앙상블(ensemble) 방법을 조합하면 실시간으로 보이지 않는(unseen) 손상에 적응하는 데 충분합니다. 더욱이, 우리는 설계된 재료의 학습된 표현에 대해 지수적 샘플 복잡도가 선형 샘플 복잡도로 감소하는 조건을 식별했는데, 이는 강체 부품이나 연속체 소프트 메커니즘에 비해 구체적인 이점입니다. 우리는 Handed Shearing Auxetic (HSA) 액추에이터를 기반으로 하는 6자유도(6DoF) 소프트 손목에 대한 추적 작업을 통해 적응형 고유 수성을 위한 우리의 방법인 LEAP를 시연합니다. 우리의 알고리즘은 절단, 화상, 액추에이터 수리에 적응할 수 있으며, 실험실 밖에서 소프트 로봇의 잠재력을 실현하는 데 필수적인 시뮬레이션 없는(simulation-free) 실시간 적응을 가능하게 합니다. 비디오와 추가 정보는 https://murpheylab.github.io/leap에서 확인할 수 있습니다.

arXiv:2606.17331v1cs.LG

불확실성 하에서의 의사결정 기반 지오스티어링: 순차적 의사결정 최적화를 위한 통합 프레임워크

Decision-Driven Geosteering Under Uncertainty: A Unified Framework for Sequential Decision Optimization

지오스티어링은 알려지지 않은 지질 구성을 통해 시추궤적을 탐색해야 하며, 시추 중 획득한 간접 측정을 기반으로 의사결정을 순차적으로 업데이트해야 합니다. 본 연구는 확률적 지하 해석을 위한 파티클 필터링과 순차적 의사결정을 위한 가치 기반 강화학습을 긴밀하게 통합한 불확실성 인식 지오스티어링 프레임워크를 제시합니다. 드릴 비트 전방의 지질적 불확실성은 파티클 필터(PF)를 통해 명시적으로 표현되어, 결정론적 궤적 보정 대신 신념(belief) 기반 제어를 가능하게 합니다. 해당 프레임워크는 PF 신념 업데이트와 신념 기반 의사결정 정책을 결합하며, 동일한 불확실성 표현 하에서 작동하는 세 가지 의사결정 옵션을 평가합니다: 해석 가능한 근사 동적 프로그래밍(ADP) 방식, 딥 Q-러닝 기준선(baseline), 그리고 안정성을 위해 타겟 Q-네트워크 방식으로 훈련되고 Q-값 파라미터화에 듀얼(가치/이점) 분해를 사용하는 이중 딥 강화학습(Dual DRL) 아키텍처입니다. 최종 배치 성능 외에도, 시간에 따른 조종 평활성을 정량화하는 안정성 지향 메트릭을 사용하여 정책 행동을 평가함으로써, 불확실성이 변화함에 따라 의사결정 정책이 어떻게 반응하는지에 대한 추가적인 운영적 통찰을 제공합니다. 이 프레임워크는 API와 통합되어 사실적인 측정 노이즈와 시추 제약 조건 하에서 산업용 지오스티어링 시뮬레이터 내에서 검증(validation)되었습니다. 방법 간에 동일한 지질 실현, 운영 한계 및 보상(reward) 정의를 사용하여, 본 실험은 최종 시추궤적에서만 성능을 평가하는 것이 아니라 시추 과정 전반에 걸쳐 대안적인 의사결정 정책이 어떻게 행동하는지에 대한 통제되고 고충실도의 평가를 제공합니다.

arXiv:2512.23566v2math.DS

기하학에서 역학으로: 기하학적 제약을 통한 희소 관측 데이터에서의 과감쇠 란주빈 역학 학습

From geometry to dynamics: Learning overdamped Langevin dynamics from sparse observations with geometric constraints

드문 관측(sparse observations)에서 확률적 시스템의 역학을 학습하기 위해 추론을 확률적 제어 문제로 재정의하고, 불변 밀도(invariant density)의 기하학적 특성을 활용한 경로 증강을 통해 궤적을 재구성하는 프레임워크를 제안한다. 제안된 방법은 과감쇠 란주빈 시스템(overdamped Langevin systems)에서 매개변수 모델 없이도 기저 역학을 정확하게 복원하여 기존 방법을 능가한다.

arXiv:2606.13285v1cs.LG

Once-for-All: 평형 상태 추정을 통한 확장 가능한 동시 예측

Once-for-All: Scalable Simultaneous Forecasting via Equilibrium State Estimation

여러 상호작용하는 시스템의 동시 예측을 위해 평형 상태 추정(ESE) 패러다임을 도입하여 시스템 간의 평형 상태를 기반으로 단일 패스로 전체 예측을 수행한다. 이 방법은 최신 기법(SOTA)과 동등한 정확도를 유지하면서 선형 시간 복잡도로 10-70배의 속도 향상을 달성하여 확장성과 효율성을 입증했다.

arXiv:2606.12559v1physics.comp-ph

충격파 유동의 자료 동화를 위한 특징 보존 잠재-EnKF

Feature-preserving Latent-EnKF for Data Assimilation of Flows with Shocks

충격파와 같은 불연속성을 가진 유동에서 앙상블 칼만 필터(EnKF)가 발생시키는 인공적인 진동 문제를 해결하기 위해, 학습된 저차원 잠재 공간에서 업데이트를 수행하는 특징 보존 잠재-EnKF를 제안한다. 희소하고 잡음이 있는 관측 환경에서 수행된 수치 실험을 통해, 제안된 방법이 인공적인 진동 없이 충격파와 접촉 불연속성을 정확하게 복원함을 입증했다.

arXiv:2606.13222v1cs.RO

고유 수용-시각 대응이 휴머노이드 로봇의 자기-타인 구별을 가능하게 한다

Proprioceptive-visual correspondence enables self-other distinction in humanoid robots

휴머노이드 로봇이 고유 수용-시각 대응(proprioceptive-visual correspondence)을 통해 별도의 라벨이나 운동학 모델 없이 자기-타인 구별을 학습하여, 관절 설정을 3차원 신체 점유로 매핑하는 예측적 자기 모델을 구축한다. 이를 통해 다중 에이전트 환경에서 로봇은 자신을 식별하고 목표 도달 및 충돌 인식 운동 계획과 같은 후속 작업을 수행할 수 있다.

arXiv:2606.12721v1cs.AI

마음 이론 유틸리티: 정신화 메커니즘의 형식적 명세

The Theory of Mind Utility: Formal Specification of a Mentalizing Mechanism

타인의 믿음을 추론하려면 표면적 신호를 읽는 것 이상이 필요하다. 누가 무엇을 어떤 순서로, 얼마나 신뢰할 수 있게 전달했는지를 추적해야 한다. 마음 이론 유틸리티(Theory of Mind Utility, ToM-U)는 이 인식론적 상태 추론 문제를 알고리즘적 또는 신경 구현에 대한 가정 없이 계산 수준의 분석 틀에서 형식화하며, 정신화(mentalizing)가 무엇을 계산하고 왜 그러한지를 명시한다. ToM-U는 지역 인식론적 세계 모델(Local Epistemic World Models, LEWMs)을 구성함으로써 이를 달성한다. LEWMs는 에이전트, 상태 노드, 이들 간의 인식론적 관계를 표현하는 방향성 타입 그래프이며, 충분한 확신이 달성될 때까지 관찰된 행동에 대해 이산적인 후보 LEWMs를 평가한다. 다섯 가지 형식적 정의가 LEWM 구조, 순서가 있는 정보 접근 이력을 포함한 에이전트 노드 속성, 재귀적 정신화를 위한 유계 증식 메커니즘, 세 가지 추론 절차, 그리고 실패한 정신화 시도가 남긴 구조적 흔적을 포착하는 잔류 함수를 명시한다. ToM-U는 믿음 상태를 도출하기보다 전제하는 베이지안 마음 이론 및 인접한 형식적 설명들과 구별되며, 인식론적 상태 추론을 위한 형식적 장치가 없는 시뮬레이션 이론 및 이론-이론(theory-theory)과도 구별된다. 이 아키텍처는 보조 가정이 아닌 모델의 구조적 속성으로부터 도출되는 정신화 실패에 대한 방향적이고 반증 가능한 예측을 생성하며, ToM-U를 목표 추론 및 기타 하위 사회 인지 과정의 상위에 위치하는 도메인 불가지론적 메커니즘으로 자리매김한다.

arXiv:2606.13509v1cs.CV

시각 기반 실내 위치 추정을 위한 측정 보정 다중 카메라 융합

Measurement-Calibrated Multi-Camera Fusion for Vision-Based Indoor Localization

실내 시각 기반 위치 추정 시스템은 검출 노이즈, 가림(occlusion), 제한된 카메라 커버리지의 영향을 받아 파이프라인의 여러 단계에서 불확실성을 초래한다. 다중 카메라 데이터 융합은 이러한 문제를 완화하기 위해 널리 사용되지만, 일반적으로 블랙박스 구성 요소로 다루어지며 종단간(end-to-end) 평가만 수행되어 그 기작적 기여를 가린다. 이러한 공백을 해소하기 위해, 본 연구는 단일 카메라 위치 추정 오차를 명시적으로 특성화하는 것이 다중 카메라 데이터 융합을 보정하고 최적화하는 데 활용될 수 있는지를 조사한다. 본 연구는 호모그래피(homography) 보정, 인체 검출, 모션 추적을 구체적으로 분리하여 구성 요소별 오차 정량화를 통합하는 측정 보정 융합 접근법을 제안한다. 호모그래피 보정, 인체 검출, 모션 추적으로부터의 오차 기여도를 정량화하기 위해 구성 요소별 평가를 수행한다. 실험 결과, 데이터 융합이 단일 카메라 기준선(baseline)에 비해 위치 추정 정확도를 향상시킴을 보여준다. 측정 보정 융합은 표준 융합 대비 절대 정확도에서 제한적인 개선만 제공하지만, 궤적 분산(trajectory variance)을 대폭 줄이고 모션 평활성(motion smoothness)을 향상시키며, 이는 안정적이고 연속적인 모션 추정이 필요한 응용에서 중요하다. 이러한 결과는 시각 기반 실내 위치 추정 시스템을 위한 데이터 융합 전략을 설계할 때 명시적 오차 특성화의 가치를 강조한다.

arXiv:2606.12406v1cs.RO

FACTR 2: 범용 로봇 팔에 외력 감지 학습을 적용하여 정책 학습 개선

FACTR 2: Learning External Force Sensing for Commodity Robot Arms Improves Policy Learning

접촉이 많은 조작 작업에는 힘 감지 능력이 필요하지만, 높은 비용으로 인해 전용 힘 센서가 없는 로봇 팔이 많다. 본 논문에서는 전용 힘 센서 없이 외부 관절 토크를 추정하는 데이터 기반 방법인 Neural External Torque Estimation(NEXT)을 제안한다. NEXT는 10분간의 자유 동작 데이터만으로 1분 만에 학습되며, 전용 관절 토크 센서에 필적하는 추정 성능을 달성한다. NEXT는 저비용 로봇 팔에서 힘 피드백 원격조작을 가능하게 하며, 행동 복제(behavior cloning) 시 접촉 전 구간과 접촉 구간을 오버샘플링하는 Force-Informed Re-Sampling Training(FIRST)을 통해 정책 학습을 개선한다. 다섯 가지 장기 과제에 걸쳐 FIRST는 기존 힘 인식 정책 대비 작업 진행률에서 17% 이상 우수한 성능을 보인다. NEXT와 FIRST를 결합함으로써 추가적인 센싱 하드웨어 없이 기성 로봇에 힘 인식 원격조작 및 정책 학습을 적용할 수 있다. 영상 결과 및 코드는 https://jasonjzliu.com/factr2 에서 확인할 수 있다.

arXiv:2606.11914v1eess.SP

NARRAS: 차량 IoT 네트워크에서 CSI 기반 측위를 위한 엣지 트리거 분산 추론

NARRAS: Edge-Triggered Distributed Inference for CSI-Based Localization in Vehicular IoT Networks

공간적으로 분산된 안테나 어레이를 이용한 CSI 기반 측위는 기본적인 자원 트레이드오프를 드러낸다. 각 어레이는 채널에 대한 풍부한 관점을 제공할 수 있지만, 유용한 정보를 담은 것은 소수에 불과할 때 모든 어레이의 관측치를 융합 센터로 전달하는 것은 낭비이며, 공유 업링크는 동시에 전송할 수 있는 수가 제한적이다. 우리는 활성 송신기의 평균 개수에 대한 예산 제약 하에서, 각 어레이가 자신의 현재 관측치를 보고할 가치가 있는지를 로컬에서 결정하도록 한다. 우리는 이 추상화를 엣지 트리거 분산 추론(Edge-Triggered Distributed Inference, ETDI)이라 부른다. 이는 자원 제약이 있는 장치들이 공통 추론 과제를 위해 액세스 채널을 공유하는 과제 지향 통신(task-oriented communication) 문제의 더 넓은 범주를 포괄한다. 우리는 차량 IoT 네트워크에서 흔한 시나리오인 CSI 기반 측위에 대해 ETDI를 구체화한다. 공간적으로 분산된 원격 안테나 어레이(RAA)는 사용자 장비(UE) 전송의 로컬 채널 상태 정보(CSI)를 잠재 특성(latent features)으로 인코딩하고, 융합 센터는 보고된 특성의 부분집합으로부터 UE 위치를 추정한다. 우리는 NARRAS를 제안한다. 이는 각 RAA가 최근 관측치의 순환 요약과 마지막으로 전송한 잠재 표현에 대한 메모리를 결합하는 분산 보고 정책이다. 학습은 미분 가능한 활동 패널티와 검증으로 보정된 결정적 임계값을 통해 명시적 활동 예산을 제어하고, 잠재 기하를 형성하기 위해 채널 차트 정규화(channel-chart regularization)를 사용한다. 실험 결과, 유사한 업링크 활동 수준에서 NARRAS는 학습된 및 휴리스틱 희소 보고(sparse-reporting) 전략보다 측위 정확도를 향상시키며, 밀집 전체 보고(dense full-report) 모델은 예산 제약 없는 참조 기준으로서 여전히 유용하다. 낮은 활동 구간에서는 차트 정규화가 고백분위 측위 오차를 더 줄여, 기하 인식 잠재 표현이 희소 보고 하에서 더 견고함을 시사한다.

arXiv:2606.11490v1cs.LG

OmniLoc: 다양한 실내 환경에서의 앵커 프리 UE 위치 추정을 위한 기하학적 인식 파운데이션 모델

OmniLoc: A Geometry-Aware Foundation Model for Anchor-Free UE Localization Across Diverse Indoor Environments

무선 측정값을 이용한 실내 위치 추정은 건물의 기하학적 구조, 감지 가능한 액세스 포인트(AP) 집합, 수신 신호의 이질성(heterogeneity)에 큰 변동이 있어 대규모 배포 시 여전히 어려운 과제로 남아 있습니다. 기존 학습 기반 방법들은 제한된 설정에서만 잘 작동하고 환경 변동 시 성능이 저하되어, 다양한 실내 환경에서의 강건한 앵커 프리 위치 추정은 매우 어려운 문제로 알려져 있습니다. 본 논문에서는 다양한 실내 환경에서의 앵커 프리 사용자 장비(UE) 위치 추정을 위한 환경 대화형 파운데이션 모델(foundation model)인 OmniLoc을 제안합니다. 우리의 아는 한, OmniLoc은 이 작업을 위해 무선 측정값에 직접 구축된 최초의 파운데이션 모델 기반 접근 방식입니다. OmniLoc은 세 가지 핵심 설계를 기반으로 구축되었습니다. 첫째, 통합 입력 토큰화 모듈은 이질적인 무선 측정값을 학습에 더 적합한 공통 표현(representation)으로 변환합니다. 둘째, 기하학적 인식 트랜스포머(Transformer)는 지배적인 AP를 강조하고 지원 AP로부터 보완적인 증거를 집계하여 AP 인식 특징 추출을 수행합니다. 셋째, 기하학적 인식 위치 추정 모듈은 기하학적으로 일관된 위치 예측을 생성하기 위해 기하학적 임베딩(embedding)을 조건으로 하여 회귀(regression)를 수행합니다. 우리는 대규모 자체 데이터셋과 공개 벤치마크 데이터셋 모두에서 OmniLoc을 평가했습니다. 결과에 따르면 OmniLoc은 기존 방법들을 현저히 능가하며, 설계 구성 요소를 통합했을 때 기존 백본(backbone)을 일관되게 개선하고, 교차 환경 평가에서 강력한 일반화 성능을 보여주었습니다.

arXiv:2606.11880v1cs.CV

SG2Loc: 3D 씬 그래프 기반 순차적 시각적 로컬라이제이션

SG2Loc: Sequential Visual Localization on 3D Scene Graphs

복잡한 실내 환경에서의 시각적 로컬라이제이션은 로봇공학 및 AR 응용에서 여전히 중요한 과제로 남아 있다. 시간에 따라 포즈(pose) 추정을 정제하는 순차적 로컬라이제이션은 자율 에이전트(agent)에 중요하다. 그러나 전통적인 방법은 종종 방대한 이미지 데이터베이스나 포인트 클라우드를 저장해야 하므로 상당한 오버헤드가 발생한다. 본 논문은 3D 씬 그래프(scene graph)를 사용한 순차적 시각적 로컬라이제이션을 위한 새롭고 경량의 접근법을 제안한다. 본 방법은 환경을 압축된 씬 그래프로 표현하며, 여기서 노드는 객체(거친 메시 포함)를 나타내고 엣지는 공간적 관계를 인코딩한다. 로컬라이제이션 단계의 각 이미지에 대해 패치별(patch) 의미(semantic) 특징을 추출하여 객체 정체성을 예측한다. 로컬라이제이션은 파티클 필터(particle filter) 프레임워크 내에서 수행된다. 카메라 포즈를 나타내는 각 파티클(particle)은 씬 그래프의 거친 객체 메시를 이미지에 투영하고, 가시성(visibility)에 따라 패치에 객체 정체성을 할당한다. 입력 이미지의 패치별 특징과 씬 그래프의 객체 특징 간 유사도가 파티클의 가중치를 결정한다. 후속 이미지를 순차적으로 통합하여 포즈 추정을 정제한다. 압축된 씬 그래프와 효율적인 semantic matching을 활용함으로써, 본 방법은 실세계 데이터셋(dataset)에서 성능을 유지하면서 저장 공간을 크게 줄인다. 코드는 https://github.com/DmblnNicole/sg2loc 에서 제공될 예정이다.

arXiv:2606.11746v1astro-ph.IM

머신러닝에서의 시계열 분석

Time Series Analysis in Machine Learning

시계열 분석은 머신러닝의 핵심 구성 요소로, 특히 시간적 데이터가 풍부한 천체물리학과 우주론 분야에서 중요하다. 이 장은 머신러닝 관점에서 시계열 분석 기법을 교육적으로 개괄한다. 시계열의 기본 개념(정상성, 자기상관, 계절성), 고전적 통계 모델(자기회귀, 이동 평균, ARIMA, 지수 평활, 상태공간 모델), 그리고 현대적 머신러닝 접근법을 다룬다. 특히 전통적 통계 방법이 어떻게 기반을 마련하는지 논의하고, 시계열을 위한 머신러닝 방법—특징(feature) 기반 회귀, 트리 기반 앙상블(ensemble) 방법, 은닉 마르코프 모델, 가우시안 프로세스, 심층 학습(deep learning) 모델(순환 신경망, 합성곱 네트워크, 트랜스포머)—을 탐구한다. 전반에 걸쳐 공통 원리를 강조하기 위해 다양한 도메인(천문학, 기상 예측, 금융 등)에서 가져온 예시를 활용한다. 이 장의 목표는 독자들이 자신의 연구에서 시계열 분석에 머신러닝 기법을 적용할 수 있도록 이론적 이해와 실용적 맥락을 모두 갖추도록 하는 것이다.

arXiv:2606.11482v1cs.SI

대규모 언어 모델로 사회적 세계 모델 구축하기

Building Social World Models with Large Language Models

정책 변화부터 과학적 돌파구에 이르기까지 사건에 대응하여 사회적 신념이 어떻게 진화하는지 이해하고 예측하는 것은 사회과학의 근본적인 과제입니다. 대규모 언어 모델(LLM)의 상식 지식과 사회적 지능을 바탕으로, 우리는 다음 질문을 던집니다: LLM이 사회적 사건 이후 사회적 신념의 역학을 모델링할 수 있는가? 본 연구에서는 주요 사건에 대응하여 사회적 신념이 어떻게 진화하는지 포착하도록 설계된 일반적인 프레임워크인 사회적 세계 모델(Social World Model, SWM) 개념을 소개합니다. SWM은 사회 데이터에서 시간적 패턴을 마이닝하고 증거 하한(evidence lower bound)을 최적화하여 사회적 신념의 상태 전이 함수(state-transition functions)를 학습하며, 이 과정에서 사건과 신념 변화를 연결하는 명시적인 인간 주석이나 비용이 많이 드는 인구 조사 데이터가 필요하지 않습니다. SWM을 평가하기 위해 실제 예측 시장(prediction markets)인 Kalshi와 Polymarket에서 파생된 벤치마크인 SWM-bench를 소개합니다. SWM-bench는 정치, 금융, 암호화폐 등 다양한 도메인에 걸친 사회적 신념 예측 작업을 위한 1만 2천 개 이상의 데이터 포인트를 포함합니다. 실험 결과, SWM은 시계열 파운데이션 모델(time-series foundation models)을 크게 능가하여 Kalshi 데이터에서 최첨단(state-of-the-art) 성능을 달성하고 Polymarket 데이터에서도 경쟁력 있는 성능을 보여주었으며, 사회적 신념 역학의 근본적인 메커니즘에 대한 해석 가능한 통찰을 제공합니다.

arXiv:2606.07400v1cs.LG

동적 정책 그라디언트를 통한 이산 잠재 구조의 생성 모델링

Generative Modeling of Discrete Latent Structures via Dynamic Policy Gradients

많은 과학적 문제는 간접적인 관측으로부터 관측되지 않은 기계론적 잠재 상태를 추론(inference)해야 합니다. 기댓값 최대화(expectation maximization)를 포함한 고전적 접근법은 조합적으로 거대한 공간에는 대응하기 어렵지만, 변분 오토인코더(variational autoencoders)와 같은 심층 학습(deep learning) 접근법은 기계론적 실제 상태(ground-truth states)를 재구성하기보다는 일반적으로 인위적인 잠재 상태를 형성합니다. 본 연구에서는 동적으로 재조정된 보상을 사용하여 관측 데이터 가능도(likelihood)를 최대화하는 잠재 상태 분포를 학습하는 정책 학습(policy learning) 프레임워크인 GReinSS를 소개합니다. GReinSS는 시뮬레이션된 잠재 집합과 잠재 그래프를 정확하게 재구성하며, 대안적인 정책 학습 및 생성 모델링 기준선(baselines)보다 우수한 성능을 보여줍니다. 또한, GReinSS는 실제 단독 판독(short-read) RNA 시퀀싱 데이터로부터 아이소폼(isoforms)을 재구성하며, 이는 표준 RSEM 알고리즘보다 직교하는 장독 판독(long-read) 시퀀싱으로 검출된 아이소폼과 더 잘 일치합니다. 전반적으로 GReinSS는 간접적인 관측으로부터 조합적 잠재 상태의 생성 모델링 및 추론(inference)을 위한 이론적으로 타당하고 실제로 효과적인 접근법입니다.

arXiv:2606.07196v1cs.LG

뇌 소스 영상화에서의 희소 베이지안 추론을 위한 구조 보존 수정 학습

Structure-Preserving Correction Learning for Sparse Bayesian Inference in Brain Source Imaging

M/EEG 뇌 영상화를 위한 고전적인 희소 Type-II 베이지안 방법들은 소스와 노이즈 하이퍼파라미터의 결합 추정을 지원하지만, 고정된 반복 업데이트 규칙에 의존합니다. 이러한 업데이트는 이론적으로 타당하고 해석 가능하지만, 그 동적 특성은 데이터를 통해 적응시킬 수 없습니다. 본 연구에서는 고전적인 결합 하이퍼파라미터 학습 솔버를 원래의 반복 과정을 반영하는 학습 가능한 신경망 아키텍처로 언폴딩(unfolding)하여, 기저 베이지안 구조를 보존하면서 업데이트 메커니즘 자체를 학습하는 방법을 제안합니다. 결과적인 프레임워크는 학습 전에 고전적인 솔버를 정확히 복원하도록 초기화되며, 학습 가능한 편향(bias)부터 적응형 MLP 및 어텐션 기반 맥락적 정제에 이르기까지 점진적으로 더 표현력 있는 수정 학습 메커니즘을 통해 강화됩니다. 이를 통해 학습 과정은 베이지안 추론을 블랙박스 예측기로 대체하는 대신, 원래 업데이트 동적 특성의 해석 가능성과 모델 기반 특성을 유지하면서 구조화된 수정 항을 학습합니다. 따라서 구조화된 수정 학습은 원래의 모델 기반 추론 메커니즘을 대체하지 않으면서 경험적 재구성 성능을 향상시키는 것을 목표로 합니다. 실험 결과, 학습된 수정 변형들은 알고리즘 투명성을 보존하면서 기준선 언폴딩 솔버에 비해 재구성 성능과 수렴 거동을 향상시키는 것으로 나타났습니다.

arXiv:2509.21751v2cs.LG

4DVAR에 대한 신경 필드 재매개변수화의 효과

On the Effect of Neural Field Reparameterization for 4DVAR

사차원 변분 자료동화(4DVAR)는 수치 일기 예측의 핵심이지만, 목적 함수의 비볼록성으로 인해 계산 비용이 크고 초기화에 민감하다. 우리는 시공간 상태를 신경망으로 매개변수화된 연속 함수로 표현하는 신경 필드 기반 4DVAR 재공식화를 제안한다. 매개변수 공간에서의 최적화가 신경 필드의 스펙트럴 바이어스를 활용하여, 명시적인 배경 오차 공분산 정보 없이도 상태 추정을 안정화하고 허위 고주파 진동을 억제하는 암시적 정규화기 역할을 한다는 것을 보여준다. 또한 전체 시공간 궤적을 매개변수화함으로써, 본 프레임워크는 시간 병렬 최적화를 가능하게 하고 물리 정보 손실(physics-informed losses)을 통해 물리적 제약을 직접 통합한다. 2D Kolmogorov flow와 3D Taylor-Green vortex를 포함한 카오스 벤치마크 평가에서, 신경 재매개변수화가 고전적 4DVAR보다 더 정확한 초기 조건을 생성함을 보여준다. 분리형 신경 아키텍처(SPINNs)와 결합하면 상당한 속도 향상을 달성한다. 많은 머신러닝 접근법과 달리, 본 프레임워크는 정답(ground-truth) 학습 데이터가 필요 없어 운영 자료동화를 위한 견고하고 확장 가능한 대안을 제공한다.