PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.13217v1cs.DS

계층적 $\mathcal{F}$-클러스터링: 트리 및 유계 직경 그래프로의 클러스터링의 근사와 난해성

Hierarchical $\mathcal{F}$-Clustering: Approximation and Hardness of Clustering into Trees and Bounded Diameter Graphs

계층적 클러스터링(Hierarchical Clustering) 문제의 다음과 같은 변형을 고려한다. 일반적으로 계층적 클러스터링을 구축할 때는 각 클러스터가 단일 원소(singleton)가 될 때까지 데이터를 재귀적으로 분할한다. 우리는 재귀 과정의 중단 조건을 완화하여, 남은 클러스터가 클래스 $\mathcal{F}$에 속하는 그래프가 되는 시점에 멈추도록 한다. 이 문제를 계층적 $\mathcal{F}$-클러스터링이라 하며, 임의의 해법의 품질은 수정된 Dasgupta의 클러스터링 목적 함수로 측정한다. $\mathcal{F}$의 두 가지 자연스러운 선택인 트리와 유계 직경(bounded diameter) 그래프를 연구한다. 트리로의 클러스터링과 유계 직경 그래프로의 클러스터링에 대해 각각 최초의 다항 시간 $\mathcal{O}(\log n\cdot\log\log n)$ 및 $\mathcal{O}(\log n)$ 근사 알고리즘을 제시한다. 주요 기술적 기여는 선형 계획법(linear programming)에 기반한 이러한 문제의 근사를 위한 프레임워크이다. 실제로 우리의 접근법을 적용할 수 있는 그래프 클래스 $\mathcal{F}$를 특성화하고, 이 클래스가 트리와 유계 직경 그래프를 모두 포함함을 보인다. 그러나 우리의 아이디어는 이들에 국한되지 않으며 다른 구조에도 유용할 수 있다. 넓게 말하면, 우리의 프레임워크는 대응하는 평면(flat) 클러스터링 문제—$p_{\mathcal{F}}$-Partitioning이라 부르는—가 자연스러운 ILP 정식화와 증명 가능한 근사 보장을 갖는 라운딩(rounding) 절차를 함께 허용할 때 적용된다. 직관적으로, 터미널(terminal)이라 불리는 정점 집합이 주어졌을 때 문제는 각 터미널에 대해 정점 의존적 구조적 술어(predicate)를 만족하도록 하는 간선 집합을 제거하는 것이다. 그런 다음 이러한 요소들을 사용하여 앞서 언급한 근사 보장을 갖는 클러스터링 트리를 구축한다. 이 결과를 보완하기 위해, 트리로의 계층적 클러스터링과 유계 직경 그래프로의 계층적 클러스터링 모두 소규모 집합 확장 가설(Small Set Expansion Hypothesis) 하에서 임의의 상수 배수 이내로 근사될 수 없음을 보인다.

arXiv:2606.19587v1stat.ML

Predict-then-Optimize를 위한 솔버-프리 학습 방법

A Solver-Free Training Method for Predict-then-Optimize

우리는 모델 출력이 이후 선형 최적화 작업의 계수로 사용되는 predict-then-optimize 패러다임에서 예측(머신러닝) 모델을 학습하기 위한 확장 가능한 방법을 제안한다. 선형 계획법과 조합 최적화에서 경험적 의사결정 regret을 직접 최소화하는 것은 의사결정 매핑이 구간별 상수이고 그래디언트가 거의 모든 곳에서 0이기 때문에 처리하기 어렵다. 기존 방법은 미분 과정을 평활화하여 이 문제를 해결하지만, 매 그래디언트 평가마다 계산 비용이 큰 솔버 호출이 필요하므로 확장성 문제를 겪는다. 이를 해결하기 위해, 우리는 측도 변환(measure transformation) 원리에 기반한 의사결정 중심 학습(decision-focused learning) 파이프라인을 제안하며, 이는 학습 중 최적화 솔버가 전혀 필요 없는 새로운 대리 손실(surrogate loss)을 산출한다. Fisher consistency와 excess risk bound를 포함한 이론적 보장을 확립한다. 실험적으로, 우리 방법은 최신(state-of-the-art) 방법과 경쟁력 있는 의사결정 품질을 달성하면서 학습 시간을 orders of magnitude만큼 단축한다.