PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.29925v1cs.LG

모델 캘리브레이션을 위한 커널 밀도 추정에서의 대역폭 선택

Bandwidth Selection in Kernel Density Estimation for Model Calibration

모델 캘리브레이션 평가에서 커널 밀도 추정(KDE)의 신뢰성이 대역폭 선택에 크게 좌우되는 문제를 해결하기 위해, KDE로 재구성한 위험(risk)을 경험적 위험과 정렬하는 새로운 최적화 프레임워크인 Risk Alignment(RA)를 제안한다. RA는 캘리브레이션 추정 편향을 이론적으로 최소화함을 증명하며, 다양한 아키텍처와 데이터셋 실험에서 MLE 등 기존 대역폭 선택 방법보다 일관되게 우수한 캘리브레이션 평가 성능을 보였다.

arXiv:2505.21285v5cs.LG

그래프를 위한 학습 가능한 커널 밀도 추정 및 그래프 수준 이상 탐지에의 적용

Learnable Kernel Density Estimation for Graphs and Its Application to Graph-Level Anomaly Detection

본 연구는 그래프에 대한 커널 밀도 추정(KDE)을 학습하는 프레임워크 LGKDE를 제안한다. 그래프 밀도 추정의 핵심 과제는 이론적 보장을 유지하면서 구조적 패턴과 의미적 변이를 모두 효과적으로 포착하는 것이다. 그래프 커널과 커널 밀도 추정(KDE)을 결합하는 것은 그래프 밀도 추정의 표준 접근이지만, 커널의 수작업 설계된 고정 특징으로 인해 성능이 만족스럽지 못하다. 제안 방법 LGKDE는 그래프 신경망(GNN)을 활용하여 각 그래프를 이산 분포로 표현하고, 최대 평균 불일치(MMD)를 이용해 다중 스케일 KDE를 위한 그래프 메트릭을 학습하며, 모든 파라미터는 잘 설계된 섭동(perturbation) 대상의 밀도에 비해 그래프의 밀도를 최대화함으로써 학습된다. 섭동은 노드 특징과 그래프 스펙트럼 모두에 대해 수행되며, 이는 정상 밀도 영역의 경계를 더 잘 특성화하는 데 도움이 된다. 이론적으로 평균 적분 제곱 오차(MISE), 강건성(robustness), 일반화에 대한 경계를 포함하여 LGKDE의 일관성과 수렴에 대한 보장을 확립한다. 합성 그래프 분포의 기저 밀도를 복원하는 데서 LGKDE의 효과를 입증하고, 다양한 벤치마크 데이터셋에서 그래프 이상 탐지(anomaly detection)에 적용하여 이를 검증한다. 광범위한 실증 평가 결과, LGKDE는 대부분의 벤치마크 데이터셋에서 최첨단(SOTA) 기준선 대비 우수한 성능을 보인다.