PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.24737v1cs.CV

Ananke: 수축 토러스 Attractor Networks

Ananke: Contractive Torus Attractor Networks

본 논문은 잠재 표현을 구조화된 곱-토러스(product-torus) 사전분포 위에 구축하는 표현 학습(representation-learning) 프레임워크 Ananke와, 그 대표적인 시각 백본 구현인 Contractive Torus Attractor Networks(CTAN)를 제안한다. 고차원 잠 latent 공간을 직교 직합(orthogonal direct sum) 형태의 2차원 위상 평면($\bigoplus_{k=1}^K \R^2$)으로 인수분해함으로써, Ananke는 특징 갱신을 분리된 이중-위상(dual-phase) 연속 흐름으로 조율한다: skew-symmetric Hamiltonian 수송은 에너지 준위 집합(energy level sets)을 따라 접선 방향으로 특징을 이동시켜 의미적 위상 불변량(semantic phase invariants)을 보존하고, 부호 있는 그래디언트 소산(signed gradient dissipation)은 가로 방향(transverse) 섭동을 법선 방향으로 목표 불변 다양체(invariant manifolds) 쪽으로 수축(contract)한다. 매개변수가 고정된 원형 포텐셜(circular potential) 계열에 대해, 로그 반경(logarithmic radial) 피드백은 Exact Log-Symplectic Flow(ELSF)를 낳으며, 이는 수치 적분 없이 단일 순전파로 평가되는 해석적 폐형(closed-form) 사상(mapping)으로 log-radius 오차의 정확한 지수 감쇠(exponential decay)를 갖는다. 우리는 준위 집합(level-set) 편차와 log-radius 오차에 대한 국소 입력-상태(input-to-state) 상한을 확립하고, 유계(bounded) 섭동 하에서 이상적 곱 토러스의 법선 쌍곡성(normal hyperbolicity)과 지속성(persistence)을 특성화한다. 또한 Lie--Trotter 연산자 분할(operator splitting)을 통해 공간 깊이 방향(depthwise) 확산과 국소 다양체 수축을 통합하는 아키텍처를 정식화하고, 정확한 삼각 흐름(trigonometric flows)과 하드웨어 친화적 symplectic dual-shear 변형을 모두 분석한다. 자연 영상 벤치마크(CIFAR-100)와 임상적으로 어려운 내시(endoscopy) 데이터셋(Kvasir-v2) 전반에서 CTAN은 뛰어난 매개변수 효율을 보여준다: 단 0.27M 매개변수를 갖는 초소형 계층적 모델이 Kvasir-v2에서 90.52\% 정확도를 달성하여, 용량(capacity) 면에서 거의 두 자릿수 차이로 25M+ 베이스라인(ResNet-50, DenseNet-161)을 능가하며, 스케일된 변형은 CIFAR-100에서 80.32\% top-1 정확도에 도달한다.

arXiv:2606.29655v1q-bio.NC

신경 집단 코드의 기하학적 안정성: 영역별 변이, 행동적 관련성, 회로 의존성

Geometric Stability of Neural Population Codes: Regional Variation, Behavioral Relevance, and Circuit Dependence

신경 집단의 표상 신뢰도에 관한 현재 모델들은 시간적 안정성, 즉 집단 중심점이 세션과 일 단위에 걸쳐 보존되는지에 초점을 맞춘다. 이러한 틀은 근본적인 질문을 미해결로 남긴다: 자극 간 쌍별 거리 구조가 세션 내 독립적 관측에 걸쳐 얼마나 신뢰롭게 재현되는가? 우리는 이 속성, 즉 기하학적 안정성이 기존 프레임워크가 포착하지 못하는 표상 분석의 독립적 축을 구성한다고 주장한다. 우리는 기하학적 안정성을 분할-반분 표상 비유사성 행렬(Shesha) 간의 스피어만 순위 상관으로 공식화하고, 이것이 시간적 안정성 및 디코딩 정확도 모두와 경험적으로 분리 가능함을 보인다. 시각 변별 과제(Steinmetz et al. 2019)에서 68개 뇌 영역에 걸친 229개 영역-세션 관측에 걸쳐, 기하학적 안정성은 시행별 신경-행동 결합을 예측하는 반면($ρ= 0.18$, $p = 0.005$), 중심점 드리프트는 그렇지 않다($ρ= 0.002$, $p = 0.976$). 선조체가 가장 안정적이고($\bar{S} = 0.44$), 해마가 가장 낮은($\bar{S} = 0.19$) 영역별 위계는 시간적 안정성 위계와 대략 반대 방향으로 나타난다. 방향적으로 일관된 후각 데이터(Bolding & Franks 2018)는 순환 흥분성 결합이 희소한 전방향 입력으로부터 자극 패턴을 완성함으로써 분할-반분 RDM 일관성을 증폭시키는 어트랙터 네트워크 모델($ρ= +0.64$, $p = 0.010$)을 동기화하며, 기하학적 안정성이 어떻게 출현하는지에 대한 회로 수준의 설명을 제공한다. 이러한 결과들은 기하학적 안정성을 시간적 드리프트 측정과 직교하고 해마 회로에서 순환 연결성이 표상 안정성과 순차적 다이나믹스 간의 균형을 맞추는 방식에 관한 최근 연구와 상보적인, 신경 집단 코드의 기능적으로 관련된 회로 의존적 속성으로 확립한다.

arXiv:2606.18315v1cs.LG

고스트 어트랙터 네트워크: 폐루프 순차 생성을 위한 분지 구조 동적 디코더

Ghost Attractor Networks: Basin-Structured Dynamical Decoders for Closed-Loop Sequential Generation

폐루프 순차 생성에서 안정적인 분지(basin) 기하를 갖춘 동적 디코더로 Ghost Attractor Networks를 제안하며, 학습된 퍼텐셜(potential)과 드리프트(drift) 하에서 잠재 상태가 분지-어트랙터 구조로 진화하고 고스트 어트랙터 탈출로 모드 전환이 이루어집니다. 로봇 행동 디코더로 평가한 결과 230만 매개변수 Ghost는 10.7억 매개변수 Diffusion Transformer와 오프라인 정확도가 대등하면서 매개변수는 462배, 지연은 32배 적고, LIBERO-10 폐루프 벤치마크에서 지속적 잠재 앙상블링으로 95.7% 성공률을 달성했습니다.