PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.30995v2cs.LG

기후 모델에서 강제력이 기온에 미치는 영향에 대한 계층적 인과 표상 학습

Learning Hierarchical Causal Representations of the Effects of Forcings on Temperature in Climate Models

머신러닝(ML) 에뮬레이터는 지구 시스템 모델(Earth System Models) 예측을 기반으로 학습(training)된 후 기후 변화 시나리오를 시뮬레이션할 수 있는 빠르고 비용 효율적인 방법을 제공합니다. 그러나 이러한 데이터 주도적 접근 방식의 블랙박스 특성은 출력값의 사용성과 신뢰성을 제한하며, 특히 인과적 귀인(causal attribution) 도구로서의 활용을 제한합니다. 본 연구에서는 최첨단 전지구 기후 모델의 해수면 온도 장에 적용되는 계층적 인과 표상 학습(hierarchical causal representation learning) 프레임워크를 개발합니다. 이전 연구 대비 주요 진보로서, 본 프레임워크는 내부 기후 변동성에서 발생하는 대기 역학적 상호작용과 대기 중 온실가스 및 에어로졸 농도 변화로 인한 강제 반응(forced responses)을 모두 명시적으로 모델링합니다. 미래 기후 변화 시나리오로 학습했을 때, 본 방법은 장기 전지구 평균 및 지역 기온 변화를 정확하게 예측하며, 미확인 시나리오에 대해 평가(evaluation)했을 때 온실가스 및 에어로졸 농도 섭동에 대해 물리적으로 현실적인 반응을 보여줍니다. 본 연구 결과는 기후 모델 에뮬레이션을 발전시키는 데 있어 인과 표상 학습 프레임워크의 잠재력을 강조합니다.

arXiv:2601.21135v2cs.LG

TRACE: 인과 표현 학습에서 연속적 메커니즘 진화를 위한 궤적 복원

TRACE: Trajectory Recovery for Continuous Mechanism Evolution in Causal Representation Learning

기존 인과 표현 학습(Causal Representation Learning)이 메커니즘의 이산적 전환만을 가정하는 한계를 극복하기 위해, TRACE는 전이 메커니즘을 유한 개의 원자적 메커니즘의 볼록 결합으로 모델링하고 전문가 혼합(Mixture-of-Experts) 프레임워크를 통해 연속적인 메커니즘 궤적을 복원한다. 잠재 인과 변수와 연속 혼합 궤적의 공동 식별 가능성을 이론적으로 증명하며, 합성 및 실제 데이터(UAVDT 차량 선회, CMU MoCap 보행 전환)에서 최대 0.99 상관관계로 궤적 복원에 성공해 이산 전환 기반 방법들을 크게 능가했다.