PyTorchKR Papers

최신 논문

총 4편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2604.16238v3cs.LG

확률적 바이어스 교정을 통한 AI 및 역학적 계절내 예보 성능 향상

Advancing Subseasonal Forecasting with Machine Learning

의사결정자들은 작물 재배, 산불 관리, 수자원 및 에너지 배분, 기상 이변 대비를 위해 날씨 예보에 의존한다. 오늘날, 물리 기반 역학 모델과 데이터 기반 인공지능(AI) 모델의 꾸준한 발전 덕분에 이러한 예보는 2주 앞까지 전례 없는 정확도를 달성하고 있다. 그러나 오차의 누적, 시스템적 모델 바이어스, 대기의 혼돈적 특성으로 인해 계절내(subseasonal) 시간 규모(2~6주 앞)에서는 모델 성능이 급격히 저하된다. 이러한 성능 저하에 대응하기 위해, 우리는 과거 확률적 예보를 교정하는 방법을 학습함으로써 체계적 오차를 크게 줄이는 머신러닝 프레임워크인 확률적 바이어스 교정(PBC, probabilistic bias correction)을 소개한다. 유럽중기예보센터(ECMWF)의 선도적인 역학 모델 및 AI 모델에 적용했을 때, PBC는 AI 예보 시스템의 낮은 계절내 성능을 2배로 향상시키고, 운영상 바이어스 제거가 적용된 역학 모델의 성능을 기압 목표의 91%, 기온 목표의 92%, 강수 목표의 98%에서 개선한다. PBC는 운영 배포를 위해 설계되었으며, ECMWF의 2025년 실시간 예보 경진대회에서 모든 기상 변수와 예보 기간에 걸쳐 전 지구 예보 1위를 차지하며, 6개 운영 예보 센터의 역학 모델, 국제 역학 다중 모델 앙상블(multi-model ensemble), ECMWF의 AI 예보 시스템, 그리고 전 세계 34개 팀의 예보 시스템을 능가했다. 이러한 확률적 성능 향상은 극한 기상 사건의 보다 정확한 예측으로 이어지며, 취약한 지역사회의 농업 계획, 에너지 관리, 재난 대비 능력을 개선할 잠재력을 지닌다.

arXiv:2512.15726v2math.OC

유체 근사를 위한 의사결정 중심 바이어스 교정

Decision-Focused Bias Correction for Fluid Approximation

유체 근사(fluid approximation) 기반 이단계 신문 판매원 네트워크 문제에서 평균 수요 대신 사용할 수 있는 의사결정 교정 점 추정량(decision-corrected point estimate)의 존재 조건을 이론적으로 규명하고, 이를 계산하는 알고리즘을 제안한다. 실제 데이터 실험에서 제안된 방법은 기존 유체 근사 및 표본 평균 근사(SAA) 대비 비용을 실질적으로 절감하는 성과를 보인다.

arXiv:2607.02104v1cs.LG

Ask the Right Comparison:Bias-Aware Bayesian Active Top-$k$ Ranking with LLM Judges

LLM을 평가자(judge)로 사용할 때 발생하는 장황성(verbosity) 및 위치 편향(position bias)을 편향-인식 베이즈 Bradley–Terry 모델로 명시적으로 모델링하여, 고정된 비교 예산 내에서 top-k 아이템을 정확히 식별하는 방법을 제안한다. 16개의 실제 LLM 평가자 실험에서 단순 집계 방식은 편향된 평가자에서 잘못된 top-k로 수렴하지만, 제안 모델은 recall을 0.5~0.6에서 0.84~1.0으로 끌어올리며, top-k 멤버십 불확실성에 집중하는 능동적 쌍 선택 규칙은 라운드로빈 대비 훨씬 적은 비교 횟수로 동일한 성능에 도달한다.

arXiv:2606.20364v1cs.LG

평가를 통한 개선: 단일 이미지 3D 생성을 위한 바이어스가 제거된 VLM-as-3D-Judge 프로토콜

Judging to Improve: A De-biased VLM-as-3D-Judge Protocol for Single-Image 3D Generation

선행 연구에서는 저렴한 기하학적 지표와 CLIP 프록시가 부족한 영역에서 단일 이미지-3D 메쉬 품질을 신뢰할 수 있게 순위 매기는 바이어스가 제거된 교차 모델 VLM-as-3D-judge를 확립했습니다. 본 논문은 해당 판단자의 선호도를 통해 인간 라벨 없이 저렴하게 강력한 오픈 소스 생성 모델인 TRELLIS를 하나의 자산 클래스(가구)에 특화시킬 수 있는지 묻습니다. 판단자를 순위 매기기에서 최적화 단계로 가져오는 것이 본 연구의 핵심입니다. VLM 판단자를 학습 및 평가 루프에 투입하면 순위 매기기에서는 발생하지 않았던 실패 모드가 드러나므로, 우리의 기여는 판단자의 최적화 등급 강화입니다: 순환성을 끊기 위해 학습용 판단자(Qwen2.5-VL-7B)를 평가용 판단자(InternVL3-8B)와 분리하고, 위치 바이어스 보정, 그리고 세 가지 실패 모드(이미지 과부하, 기하학을 숨기는 스플랫 렌더링, 깔끔하지만 틀린 출력을 보상하는 참조 없는 판단)에 대한 수정을 포함하며, 이에 대한 보정 증거(명확한 격차 승률 0.83-1.0; 기본 대 기본 ~0.5)도 제공합니다. 이 프로토콜을 독립적인 평가자로 사용하고 공개 모델 및 데이터와 가벼운 파라미터 효율적 적응만을 사용하여 작업한 결과, 우리의 방법은 강력한 기본 모델을 능가하기보다는 이와 대등한 수준으로 일치시킨다는 것을 발견했습니다. 독립적인 기본 샘플은 본질적으로 학습 가능한 선호도를 거의 가지지 않으므로(0.94의 순서 뒤바뀜 비율), 신호는 품질 대비적 구성을 통해 엔지니어링해야 합니다. 6가지 적응 방법, 2가지 입력 체제, 심각도 스윕(severity sweep)에 걸쳐, 가장 타겟팅된 방법인 심각한 열화 하에서의 컨디셔너(conditioner) 복구는 기본 모델과 동등한 수준(0.50)에 도달했으나, 어떤 방법도 65% 이상의 승률 목표는 달성하지 못했습니다. 결과는 기작적입니다: 깨끗한 입력은 판단자를 포화시키고, Flow-DIT 미세조정은 샘플러를 통해 효과가 사라지며, 컨디셔닝 복구가 기하학을 변화시키는 핵심(locus)입니다. 승률은 n=8 개체에서 방향성을 가집니다. 저렴한 적응을 통해 강력한 공개 데이터 기반 모델과 대등하게 만드는 것은 그 자체로 정보 제공적입니다: 이를 능가하려면 공개 데이터에 대한 가벼운 PEFT 이상이 필요하며, 해당 판단자 프로토콜은 재사용 가능합니다.