PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2603.11546v2cs.LG

주민 신고로부터 도시 이벤트를 복원하기 위한 다중 태스크 반인과 학습

Multi-Task Anti-Causal Learning for Reconstructing Urban Events from Residents' Reports

많은 실제 머신러닝 태스크는 관찰된 결과로부터 잠재적 원인을 추론(inference)해야 하는 반인과적(anti-causal) 성격을 띱니다. 실제로 우리는 구조적 의존성이 태스크 불변(task-invariant) 메커니즘과 태스크 특화(task-specific) 메커니즘의 결합으로 이루어진 여러 관련 태스크를 마주하는 경우가 많습니다. 본 논문에서는 이러한 태스크 간 불변성을 명시적으로 활용하여 결과와 교란 요인으로부터 원인을 추정하는 프레임워크인 다중 태스크 반인과 학습(Multi-Task Anti-Causal learning, MTAC)을 제안합니다. MTAC는 태스크 특화 편차를 가진 공유 백본을 통해 결과 생성 과정을 (i) 태스크 불변 메커니즘과 (ii) 태스크 특화 메커니즘으로 분해하는 구조 방정식 모델(SEM)을 학습합니다. 학습된 순방향 모델을 기반으로, MTAC는 학습된 구조 모델 하에서 잠재 메커니즘 변수와 원인 크기를 공동 최적화하여 원인을 복원하는 최대 사후 확률(MAP) 기반 추론을 수행합니다. 주차 위반, 방치된 부동산, 비위생적 환경이라는 세 가지 태스크에 걸쳐 주민 신고로부터 도시 이벤트를 복원하는 응용 분야에서 MTAC를 평가합니다. 맨해튼과 뉴어크에서 수집된 실제 데이터에서 MTAC는 강력한 베이스라인 대비 복원 정확도를 일관되게 향상시켜 최대 33.04%의 MAE 감소를 달성하였으며, 태스크 간 전이 가능한 메커니즘을 학습하는 것의 이점을 입증했습니다.

arXiv:2606.21668v1cs.LG

유향 비순환 하이퍼그래프 학습을 위한 프레임워크

A Framework for Directed Acyclic Hypergraph Learning

유향 비순환 그래프(DAG) 학습을 위한 연속 최적화 방법은 가중 인접 행렬에 기반하기 때문에 쌍별 인과 관계만을 다룰 수 있다는 한계가 있습니다. 본 연구에서는 관측 데이터로부터 유향 비순환 하이퍼그래프(DAHG)를 학습하는 프레임워크를 제안하며, 쌍별 모델로는 표현할 수 없는 결합적 부모 영향(joint parental influences)을 포착합니다. 제안하는 방법은 세 가지 구성 요소에 기반합니다: (i) 비영(non-zero) 가중치가 유향 하이퍼에지(directed hyperedge)와 일대일 대응되는 곱셈 상호작용 항을 포함한 일반화 선형 구조 방정식 모델(SEM); (ii) 텐서 t-곱(tensor t-product) 하에서의 멱영성(nilpotency)으로 비순환성이 특성화되는 가중 인접 텐서 표현; (iii) t-곱의 푸리에 분해를 통해 도출된 미분 가능한 비순환성 제약으로, 텐서 멱영성을 슬라이스별 행렬 멱영성으로 환원하여 증강 라그랑지안 방법(augmented Lagrangian method)을 통한 최소제곱 학습을 가능하게 합니다.