PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2510.24574v3cs.LG

DistDF: 시계열 예측에는 결합 분포 바서슈타인 정렬이 필요하다

DistDF: Time-Series Forecasting Needs Joint-Distribution Wasserstein Alignment

시계열 예측 모델을 학습(training)시키려면 모델 예측의 조건부 분포를 라벨 시퀀스의 조건부 분포와 정렬(alignment)해야 합니다. 표준적인 직접 예측(direct forecast, DF) 방식은 주로 평균 제곱 오차(MSE)로 추정되는 조건부 음의 로그 가능도(negative log-likelihood)를 최소화하는 방식을 취합니다. 그러나 이러한 추정은 라벨 시퀀스에 자기상관(autocorrelation)이 존재할 경우 편향된 것으로 입증되었습니다. 본 논문에서는 예측 시퀀스와 라벨 시퀀스의 조건부 분포 간 분포 불일치(distributional discrepancy)를 최소화하여 정렬을 달성하는 DistDF를 제안합니다. 유한한 시계열 관측치로부터 이러한 조건부 불일치를 추정하는 것은 어렵기 때문에, 우리는 목표로 하는 조건부 불일치를 증명 가능하게 상한(upper bound)하는 시계열 예측용 결합 분포 바서슈타인(Wasserstein) 불일치를 도입합니다. 제안된 불일치는 다루기 쉽고(tractable), 미분 가능하며, 그래디언트(gradient) 기반 최적화와 쉽게 호환됩니다. 광범위한 실험을 통해 DistDF가 다양한 예측 모델의 성능을 향상시키고 최고 수준의 성능을 달성함을 보입니다. 코드는 https://anonymous.4open.science/r/DistDF-F66B 에서 확인할 수 있습니다.

arXiv:2606.27342v1cs.DB

예산 제약 엔터티 매칭에서 도메인 인식 분포 정렬의 이해

Understanding Domain-Aware Distribution Alignment in Budgeted Entity Matching

저자원·도메인 인식 엔터티 매칭(EM) 프레임워크 BEACON의 Train–Validation Distribution Fitting(TVDF)을 중심으로, 라벨 가용성·대체 도메인 표현·도메인 비독립 다운샘플링 등 실제 조건 변화에서 분포 정렬(distribution alignment)이 성능과 동작에 미치는 영향을 실험적으로 분석한다. 일련의 목표 지향 실험을 통해 예산 제약 EMAD 설정에서 BEACON의 샘플링 메커니즘과 분포 인식 선택의 효과를 더 명확히 밝힌다.

arXiv:2602.22159v4cs.CV

CASR: 분포 정렬 및 자기 유사성 인식을 통한 임의 대규모 초해상도를 위한 강건한 순환 프레임워크

CASR: A Robust Cyclic Framework for Arbitrary Large-Scale Super-Resolution with Distribution Alignment and Self-Similarity Awareness

임의 스케일 초해상도(ASISR)는 여전히 스케일 간 분포 이동으로 인해 근본적인 제약이 있습니다. 추론 스케일이 학습 범위를 벗어나는 순간 노이즈, 블러, 아티팩트가 급격히 축적되기 때문입니다. 본 연구에서는 스케일 간 분포 전이 관점에서 이 문제를 재조명하고, 초고배율 확대를 인-분포(in-distribution) 스케일 전이의 연속으로 재정의하는 단순하면서도 매우 효율적인 순환 초해상도 프레임워크인 CASR를 제안합니다. 이 설계는 단일 모델만으로도 임의의 스케일에서 안정적인 추론을 보장합니다. CASR는 반복(iteration) 과정에서의 분포 드리프트와 패치 단위 확산 불일치라는 두 가지 주요 병목 현상을 해결합니다. 제안된 SSAM 모듈은 슈퍼픽셀 집계를 통해 구조적 분포를 정렬하여 오류 누적을 방지하고, SARM 모듈은 상관관계 기반 일관성을 강제하고 상관관계 정렬을 통해 자기 유사성 구조를 보존하여 고주파 텍스처를 복원합니다. 단일 모델만을 사용함에도 불구하고, 본 방법은 분포 드리프트를 획기적으로 줄이고 장거리 텍스처 일관성을 유지하며, 극한의 배율에서도 우수한 일반화 성능을 달성합니다.