PyTorchKR Papers

최신 논문

총 4편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2508.00110v3stat.ML

funOCLUST: 이상치를 포함한 함수형 데이터 클러스터링

funOCLUST: Clustering Functional Data with Outliers

함수형 데이터(functional data)는 무한 차원의 특성과 이상치(outlier)에 대한 잠재적 민감성으로 인해 클러스터링에 고유한 어려움을 제기한다. 이러한 문제를 해결하기 위해 OCLUST 알고리즘을 함수형 설정으로 확장하는 방법을 제안한다. 이 접근법은 OCLUST 프레임워크를 활용하여 곡선을 클러스터링하고 이상치를 제거하는 강건한(robust) 방법을 구현한다. 제안된 방법론은 시뮬레이션 및 실세계 함수형 데이터셋 모두에서 평가되어 클러스터링과 이상치 식별에서 우수한 성능을 입증한다.

arXiv:2609.26867v1stat.ME

공간 및 네트워크 객체를 활용한 덧셈 비모수적 회귀

Additive Nonparametric Regression with Spatial and Network Objects

본 논문은 구조적 MRI(s-MRI)의 대뇌 피질 지표와 휴지기 fMRI(rs-fMRI)의 뇌 연결성 데이터를 활용하여 과제 기반 fMRI(t-fMRI)로부터 과제 수행 기반 뇌 활성화 맵을 예측하는 청소년 뇌 인지 발달(ABCD) 연구의 영상 애플리케이션에서 동기를 얻었습니다. 계층적 베이지안 모델링은 다양한 영상 데이터를 통합하고 예측 불확실성을 정량화하는 데 매우 적합합니다. 그러나 다양한 영상 양식(modality) 간의 구조와 상호 연결성을 포착하는 결합 사전분포(joint prior) 설계의 난점과 더불어, 계산 복잡성 및 이론적 보장의 부재로 인해 이 분야의 발전은 제한적이었습니다. 이러한 과제를 해결하기 위해, 본 논문은 t-fMRI와 s-MRI 영상을 함수형 데이터(functional data)로 다루며, 함수형 반응변수에 대한 네트워크 및 함수형 예측변수의 덧셈 비선형 효과를 통합하는 새로운 회귀 프레임워크를 소개합니다. 구체적으로, 반응변수와의 복잡한 함수적 의존성을 포착하기 위해 함수형 예측변수와 관련된 계수에 가우시안 과정(GP) 사전분포를 적용합니다. 나아가, 반응 함수에 대한 네트워크 예측변수의 비선형적 노드 효과를 요약하기 위해 GP 사전분포를 할당합니다. 이 방법은 함수형 반응변수에 대한 예측 정확도의 이론적 결과로 뒷받침되며, 시뮬레이션 연구와 ABCD 연구의 다중 모달 신경영상 데이터 분석을 통해 실증적으로 검증됩니다.

arXiv:2507.06637v2stat.ML

적응적 차수 선택을 갖춘 경로 시그니처 로지스틱 회귀를 통한 준모수적 함수형 분류

Semi-parametric Functional Classification via Path Signatures Logistic Regression with Adaptive Order Selection

벡터값 함수형 데이터와 스칼라 공변량을 동시에 분류하기 위해 경로 시그니처(path signature) 이론을 활용한 준모수적 로지스틱 회귀 프레임워크 PSLR을 제안하며, 기저 함수 선택 없이 채널 간 의존성과 불규칙 샘플링에 강건한 표현을 제공한다. 핵심 기여는 페널티 경험적 위험 최소화 기준을 통한 데이터 기반 시그니처 절단 차수 적응적 선택으로, 비점근적 수렴 보장과 함께 합성 및 실제 데이터셋에서 기존 함수형 분류기 대비 일관된 성능 향상을 보였다.

arXiv:2606.18412v1stat.ME

다변량 함수 데이터에서의 이상 탐지를 위한 베이지안 비모수적 방법

Bayesian Nonparametric Detection of Anomalies in Multivariate Functional Data

함수 데이터의 이상 징후는 지배적인 데이터 생성 메커니즘에서 벗어나는 희귀하거나 뚜렷한 프로세스에서 발생합니다. 이러한 이탈을 탐지하는 것은 오류, 구조적 변화, 또는 관심 있는 다른 행동에 해당할 수 있는 응용 분야에서 필수적입니다. 본 연구는 다변량 함수 데이터에서의 이상 탐지를 위한 베이지안 비모수적 접근법을 소개합니다. 우리는 함수 데이터를 다중 출력 가우시안 프로세스의 무한 혼합으로 모델링하며, 슬라이스 샘플링을 통해 혼합 성분의 유한한 개수를 자동으로 결정합니다. 평균 함수는 웨이블릿 기저를 사용하여 표현되며, 데이터의 부드럽고 희소한 표현을 얻기 위해 베소프 사전 분포를 통해 정규화됩니다. 함수 간의 의존성은 내재적 공역화 모델을 사용하여 포착하며, 마르코프 연쇄 몬테카를로(MCMC) 알고리즘에 Carlin-Chib 곱 공간 단계를 도입하여 공분산 커널 선택 문제를 해결합니다. 이 모델 내에서 이상 관측치는 이상 징후의 수나 특성에 대한 사전 명세 없이 작은 혼합 성분에 할당됩니다. 우리는 정상 관측치의 15%에 대해 레이블이 제공되고 큰 클래스 불균형이 존재하는 준지도 학습 설정을 고려합니다. 제안하는 모델의 유용성은 단변량 및 다변량 함수 데이터 모두에서 입증됩니다.