PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2604.21097v3stat.ML

카오스 에뮬레이션 학습: 적대적 최적 전송 정규화

Learning to Emulate Chaos: Adversarial Optimal Transport Regularization

날씨부터 전력망까지 다양한 복잡한 동역학계(dynamical systems)에서 카오스가 발생하지만, 머신러닝 에뮬레이터(emulator)와 같은 데이터 기반 방법으로 이를 정확하게 모델링하기는 어렵습니다. 에뮬레이터는 시뮬레이션 가속화 및 역문제(inverse problem) 해결을 위한 유망한 도구이지만, 특히 노이즈가 있는 데이터가 주어졌을 때 초기 조건에 대한 민감도로 인해 정확한 장기 예측이 불가능해지는 카오스 동역학을 학습하는 데 여전히 어려움을 겪고 있습니다. 최근 연구에서는 대신 카오스 어트랙터(attractor)의 통계적 특성을 일치시키도록 에뮬레이터를 학습시키지만, 이러한 접근법은 종종 수작업으로 설계된 요약 통계량이나 대규모의 다양한 다중 환경(multi-environment) 데이터셋에 의존합니다. 본 연구에서는 단일 노이즈 궤적만으로 고품질의 요약 통계량과 물리적으로 일관된 에뮬레이터를 공동 학습할 수 있는 적대적 최적 수송(adversarial optimal transport) 목적 함수군을 제안합니다. 제안하는 접근법의 싱크혼 발산(Sinkhorn divergence) 정식화(2-Wasserstein)와 WGAN 스타일의 쌍대 정식화(dual formulation)(1-Wasserstein)를 이론적으로 분석하고 실험적으로 검증합니다. 고차원 시공간 카오스를 포함한 다양한 카오스 시스템에 대한 수치 실험을 통해, 제안된 목적 함수를 사용하여 학습(training)된 에뮬레이터의 장기 통계적 충실도(statistical fidelity)가 크게 향상됨을 보여줍니다.

arXiv:2609.27877v1nlin.CD

혼돈 역학에서 극한 사건의 예측 지평에 걸친 잡음 유발 예측가능성 재분배

Noise-Induced Predictability Redistribution Across Forecast Horizons of Extreme Events in Chaotic Dynamics

혼돈 역학에서 극한 사건(EE)은 드물게 나타나는 넓은 이탈 excursion이며, 동역학적 잡음에 의해 그 예측 가능성이 달라질 수 있다. 우리는 3차 자율 혼돈 유동에서 잡음이 예측 지평에 걸쳐 EE 발생과 예측 성능을 어떻게 바꾸는지 조사한다. 모든 realization에 대해 단일 clean-data 임계값을 고정하고, broad event는 excursion당 하나의 maximum으로 정의하며, 시간순 데이터 분리를 적용한 HistGradientBoosting으로 15 time unit 이력으로부터 미래 윈도우 W=15를 예측한다. 관측 이력과 미래 사건 윈도우 사이의 예측 간격 G가 커질수록 clean Matthews correlation coefficient(MCC)는 G=0에서 0.641에서 G=15에서 0.165로 감소한다. 잡음 의존성은 8개 진폭에서 10개의 paired realization으로 평가한다. 평균 단기 지평 점수는 clean data에서 0.456에서 sigma=0.007에서 0.546으로 증가하며, paired gain은 0.0895(95% CI 0.0494-0.1295; Holm-adjusted p=0.0234)이다. 잡음은 EE 발생을 크게 증가시키는 반면 사건 amplitude와 width는 비교적 안정적으로 유지된다. 잡음 수준별 양성 학습(training) 샘플 수를 균등화하면 단기 지평 이득이 상당히 약해지고, 강한 잡음은 중기 지평 예측 성능을 낮춘다. 우리는 예측 성능의 이러한 지평 의존적·비균일한 변화를 잡음 유발 예측가능성 재분배(noise-induced predictability redistribution, NIPR)라고 부른다.

arXiv:2511.06609v4cs.LG

노이즈 시계열로부터 카오스 동역학을 학습하는 Weak Penalty Neural ODE

A Weak Penalty Neural ODE for Learning Chaotic Dynamics from Noisy Time Series

관측 데이터로부터 복잡하고 고차원인 동역학 시스템을 정확하게 예측하는 것은 다양한 과학 및 공학 분야에서 근본적인 과제이다. 중요한 어려움은 노이즈로 오염된 측정값에서 비롯되며, 이는 데이터 기반 모델의 성능을 심각하게 저하시킨다. 초기 오차가 지수적으로 증폭되는 카오스 동역학 시스템에서는, 장기 불변 특성을 보존하면서 단기 정확도를 달성하는 모델을 노이즈가 있는 데이터로부터 개발하기가 특히 어렵다. 이를 극복하기 위해, 우리는 동역학 시스템 모델의 학습을 위해 고전적인 $L2$ 손실 함수에 대한 보완적 접근으로 약형(weak formulation)을 고려한다. 우리는 적절한 시험 함수와 적분 영역의 선택과 함께 약형이 노이즈 데이터를 효과적으로 필터링함을 실증적으로 검증한다. 이 통찰은 약형 손실 함수가 필터링된 데이터에 모델을 맞추는 것과 유사한 이유를 설명하며, 약형을 매개변수화하는 실용적인 방법을 제공한다. 이후 우리는 이 접근법이 카오스 시스템 모델링에서 표준 Neural ODE(NODE)의 불안정성과 부정확성을 어떻게 극복하는지 보여준다. 수치 예제를 통해, 우리가 제안한 학습 전략인 Weak Penalty NODE가 계산적으로 효율적이고 솔버에 무관하며, 벤치마크 카오스 시스템과 실제 기후 데이터셋 전반에 걸쳐 정확하고 견고한 예측을 제공함을 보여준다.