PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.13819v1cs.LG

전문가 뷰를 넘어서는 공유 정준 성분 제거

Shared Canonical Component Removal Beyond Expert Views

임상 현장에서 전문가들은 종종 결정을 내리기 전에 원시 입력(raw input)을 일련의 전문가 특징(expert feature)으로 변환하는 작업부터 시작합니다. 원시 입력을 기반으로 학습된 블랙박스 모델이 전문가 뷰(expert view)로 학습된 모델보다 우수한 성능을 보일 수 있지만, 원시 모델이 전문가 뷰가 포착하는 것 이상으로 어떤 예측 신호를 활용하는지는 여전히 불분명합니다. 본 논문에서는 공유 정준 성분 제거(Shared Canonical Component Removal, SCCR)를 사용하여 이러한 격차를 정량화하는 감사 프레임워크를 제안합니다. 표준 잔차화(residualization)나 개념 소거(concept erasure)와 달리, SCCR은 학습된 원시 임베딩과 전문가 임베딩 사이에서 강하게 공유되는 방향만을 선택적으로 제거합니다. 합성 데이터, 관상동맥 질환(CAD) 감지, 항우울제 치료 중단(dropout) 예측, 그리고 SkinCon 주석을 활용한 피부 병변 분류에 대한 평가를 통해, SCCR이 전문가 뷰가 불충분한 방식을 식별하고 전문가 뷰와의 중복성을 최소화하면서 잔여 예측 신호를 복원함을 보여줍니다.

arXiv:2602.23785v2cs.LG

비선형 다중 뷰 CCA의 증명 가능한 부분공간 식별

Provable Subspace Identification of Nonlinear Multi-view CCA

비선형 다중 뷰 정준 상관 분석(CCA)의 식별 가능성을 부분공간 식별 문제로 재정의하여, 적절한 잠재 사전 분포와 스펙트럼 분리 조건 하에서 쌍별 CCA 목적함수가 상관된 신호 부분공간을 복원하고 $N \geq 3$개의 뷰 집계 시 모든 뷰에 걸쳐 공유된 공동 상관 부분공간을 격리함을 이론적으로 증명한다. 스펙트럼 섭동 이론을 통해 유한 샘플 통계적 일관성 보장도 확립하며, 합성 및 렌더링 이미지 데이터셋 실험으로 이론적 결과를 검증한다.