PyTorchKR Papers

최신 논문

총 4편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2604.13179v2math.OC

HUANet: 제약 조건이 있는 볼록 최적화를 위한 하드 제약 조건 기반의 언롤링 ADMM

HUANet: Hard-Constrained Unrolled ADMM for Constrained Convex Optimization

본 논문에서는 매개변수화된 제약 조건이 있는 볼록 최적화(constrained convex optimization)의 가속화를 위해 교대 방향 승수법(ADMM, Alternating Direction Method of Multipliers)을 학습 가능한 신경망으로 언롤링(unrolling)한 제약 조건 기반 심층 신경망 아키텍처인 HUANet을 제안합니다. 기존의 엔드투엔드(end-to-end) 학습 방법들은 매개변수에서 해로의 블랙박스 매핑으로 동작하여, 최적성 원리를 명시적으로 반영하지 못하거나 제약 조건 충족을 보장하지 못하는 경우가 많습니다. 이러한 한계를 해결하기 위해 HUANet은 언롤링된 각 ADMM 반복(iteration) 내에 하드 제약 조건 신경망을 내장하며, 여기서 미분 가능한 보정 단계를 통해 원시 부문제(primal subproblem)의 아핀 등식 제약 조건을 강제합니다. 나아가 제안된 언롤링 알고리즘의 수렴을 촉진하기 위해 1차 최적성 조건을 자기지도 학습(self-supervised training) 손실에 통합합니다. 벤치마크 최적화 문제 및 제어 응용 분야에 대한 광범위한 수치 실험을 통해 제약 조건이 있는 볼록 최적화 풀이를 가속화하는 데 있어 HUANet의 효과를 입증하고 검증합니다.

arXiv:2607.00251v1cs.CV

이미지 디블러링을 위한 언롤드 네트워크 학습 향상에 위상 정보 활용

Leveraging Phase Information to Boost Unrolled Network Learning for Image Deblurring

푸리에 도메인에서 진폭과 위상을 분리 추정하는 LMMSE 기반의 새로운 반복 최적화 알고리즘을 제안하고, 이를 알고리즘 언롤링(algorithm unrolling)으로 엔드투엔드 학습 가능한 네트워크 UPADNet으로 확장하였다. GoPro, RealBlur, COCO 벤치마크에서 기존 최신 디블러링 모델 대비 우수한 성능을 달성하며, 특히 고노이즈 및 학습 데이터가 제한된 환경에서 강건성이 두드러진다.

arXiv:2505.13102v4cs.LG공식 코드 · Papers with Code

혼합 그래프 알고리즘 언롤링 기반 교통량 예측용 경량·해석 가능 Transformer

Lightweight and Interpretable Transformer via Mixed Graph Algorithm Unrolling for Traffic Forecast

공간 및 시간적 차원의 교통량 예측을 위해 혼합 그래프 기반 최적화 알고리즘을 언롤링하여 경량화되고 해석 가능한 신경망을 제안합니다. ADMM 기반 알고리즘을 피드포워드 네트워크로 변환하여 최신 모델과 대등한 성능을 유지하면서 파라미터 수를 획기적으로 줄였습니다.

arXiv:2606.07114v1cs.NI

DIFFRACT: 미분 가능 프로그래밍을 이용한 무선 네트워크의 신경화된 효용 최대화

DIFFRACT: Neuralized Utility Maximization for Wireless Networks by Differentiable Programming

위성-Open RAN 시스템을 포함한 차세대 무선 네트워크는 확률적 서비스 품질(QoS) 제약 조건 하에서 동적인 다중 사용자 간섭을 처리할 수 있는 민첩하고 지능적인 자원 관리를 요구한다. 본 논문은 DIFFRACT를 제안한다. 이는 미분 가능 프로그래밍을 활용하여 무선 네트워크에서 심층 학습과 최적화를 통합하는 신경화된 효용 최대화 프레임워크이다. 우리 접근법의 핵심은 무선 전력 제어의 기반이 되는 표준 간섭 함수의 수학적 구조를 활용하는 것이다. 이러한 함수에 대한 이중성 이론(duality theory)을 개발함으로써, 알고리즘 언롤링(algorithm unrolling)을 통해 반복적 간섭 관리 알고리즘을 미분 가능한 신경망 아키텍처로 매핑한다. 이를 통해 네트워크 엣지에서 분산형 종단 간(end-to-end) 그래디언트 기반 학습이 가능해지며, 지상 및 비지상 환경 모두에서 간섭에 대한 실시간 적응을 지원한다. DIFFRACT는 복잡한 채널 동역학을 모델링하고 미분 가능 모델의 표현력을 활용하여 확장 가능하고 견고한 효용 최대화를 가능하게 한다. 실험 결과는 차세대 무선 시스템에 대한 본 프레임워크의 이론적 타당성과 실용적 효과를 확인한다.