PyTorchKR Papers

최신 논문

총 5편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2009.13987v3cs.LG

랜덤 폴리토프 기술자

Random Polytope Descriptors

본 논문에서는 기존에 알려진 여러 구조를 동시에 일반화하는 랜덤 폴리토프(random polytope) 클래스를 소개합니다. 이 폴리토프들은 상당히 일반적이면서도 계산적으로 매우 다루기 쉽다는 장점이 있습니다. 우리는 이러한 특성을 데이터 분석의 분류(classification) 및 군집화 태스크에 어떻게 활용할 수 있는지 제시합니다. 특히, 제안하는 구조를 통해 사용자는 데이터에 대한 더욱 긴밀한 기술과 더 빠른 연산 속도 사이의 트레이드오프를 매끄럽게 조절할 수 있습니다.

arXiv:2507.14268v2cs.CV

Fitting Generalized Power Diagrams to 3D Image Data: A Prerequisite for Virtual Materials Testing

This paper reviews algorithmic and modeling approaches for fitting generalized power diagrams to three-dimensional image data, a key step in virtual materials testing (VMT). Beyond their practical relevance to materials science, these tessellation models connect to several active areas of applied mathematics, including optimization, computational geometry, stochastic modeling, and optimal transport. Their formulation combines concepts from convex analysis and geometric clustering, offering a rich interplay between theory and computation. We survey recent applications and quantitatively compare algorithmic strategies for fitting Voronoi diagrams, power diagrams, and generalized balanced power diagrams (GBPDs), including linear and nonlinear programming, stochastic optimization via the cross-entropy method, and gradient-based approaches. Comparative results on real datasets illustrate trade-offs between algorithmic complexity and model accuracy.

arXiv:2607.14419v1cs.LG

HyperShadow: 고차원 공간 객체의 3D 투영 탐지 벤치마크

HyperShadow: A Benchmark for Detecting 3D Projections of Higher-Dimensional Spatial Objects

머신러닝에서 "4D"로 표기된 데이터셋은 보편적으로 세 개의 공간 차원과 시간을 의미한다. 우리는 HyperShadow를 제안한다. 이는 네 번째, 다섯 번째, 여섯 번째 차원이 공간 차원인 최초의 공개 벤치마크로, 3D 포인트 클라우드가 원래의 3차원 형상인지, 아니면 R^N(N = 4-6)에 존재하는 강체 객체의 투영, 즉 "그림자(shadow)"인지를 판별하는 과제를 다룬다. 이 과제가 고유 차원(intrinsic-dimension) 추정과 근본적으로 다름을 보인다. 그림자는 여전히 최대 3차원 데이터이며, 표준 추정기(TwoNN, Levina-Bickel MLE)는 71-73%의 정확도에 그친다. 대신 탐지에는 투영 시그니처, 밀도 접힘(density folds), 특징적인 방사형 프로파일을 갖는 채워진 부피, 위상 변화가 필요하며, 190k-매개변수 포인트 네트워크가 네 가지 손상(corruption) 등급에서 96.6% 정확도로 이를 회복하고, 학습에서 한 번도 보지 못한 객체 패밀리에 대해 79-91%로 일반화한다. 강체로 회전하는 객체의 시간적(temporal) 트랙에서, 우리는 매개변수 없는 강체성 증인(rigidity witness)을 도입한다. 이는 연속 프레임 간 최적 강체 3D 정렬(Kabsch)의 잔차(residual)로, 어떤 강체 3D 운동에 대해서도 0이 되어야 하지만 R^N에서의 강체 회전 그림자에 대해서는 0이 될 수 없다. 이 단일 해석 가능한 통계량은 AUROC 0.982로 클래스를 분리한다. 모든 데이터는 시드(seed)로부터 재현 가능하게 생성되며, 데이터셋, 모델, 코드는 공개적으로 배포된다. HyperShadow는 물리적 현실에 대한 주장을 하지 않으며, 순수하게 3차원적 설명과 양립할 수 없음을 어떤 관측 가능 통계가 증명할 수 있는지 연구하기 위한 통제된 도구이다.

arXiv:2606.03419v3math.OC

명시적 단위 거리 하한 증명서 최적화

Optimizing Explicit Unit-Distance Lower-Bound Certificates

2026년 에르되시(Erdős) 단위 거리 추측의 반증과 소윈(Sawin)의 정량적 개선은 $n$개의 평면상 점들 사이 단위 거리의 최대 개수 $u(n)$이 고정된 양의 $\varepsilon$에 대해 $n^{1+\varepsilon}$를 초과할 수 있음을 보여준다. 소윈의 명시적 하한은 임의로 큰 $n$에 대해 $n^{1.014}$보다 많은 단위 거리를 제공하며, 선택이 완전히 최적화되지 않은 정수 매개변수들을 드러낸다. 본 보고서는 소윈의 비선형 정수 최적화 문제에서 출발하여 오픈 소스 Python 최적화 및 검증 파이프라인을 개발하며, 먼저 소윈의 매개변수를 재현함으로써 이를 검증한 다음 개선된 증명서에 적용한다. 우리는 소수 집합 $T$와 $S_Q$, 정수 중복도 $k(p)$, 그리고 유리수로 인코딩된 실수 매개변수 $R$을 포함하는 증명서를 최적화하고 검증한다. 구현은 간결하고 경량이므로 모든 결과는 표준 하드웨어에서 재현할 수 있고 절차를 확장할 수 있다. 우리는 결정론적 탐욕 구성 휴리스틱, 수론적 실행 가능성을 유지하기 위한 기하적 돌연변이 및 복구 연산자를 갖춘 맞춤형 정수 진화 전략, 그리고 선택적 이중 부모 재결합 변형을 제안한다. 네 가지 증명서 수준이 비교된다: $\delta=0.014114\ldots$인 소윈의 예, $\delta=0.015172\ldots$인 탐욕 증명서, $R=6672416/100000$ 및 $\delta=0.015262\ldots$인 진화 전략 증명서, 그리고 동일한 $R$을 갖는 재결합 변형으로 $\delta=0.015263\ldots$. 그 결과, 최고로 보고된 증명서는 소윈 2026과 동일한 집합 $T$를 사용하여 임의로 큰 $n$에 대해 신중하고 명확한 진술 $u(n)>n^{1.0152}$를 뒷받침하며, 이 프레임워크로 발견된 추가 개선은 확장된 분기 소수 범위에 대해 $u(n)>n^{1.031}$을 시사한다. 이 응용을 넘어, 본 연구는 무작위 최적화 휴리스틱이 순수 수학과 조합 기하학에서 명시적 증명서를 탐색하고 개선하는 방법을 보여준다.

arXiv:2606.06505v1cs.CG

평면 곡선의 기하학적 가우시안 혼합 표현

A Geometric Gaussian Mixture Representation of Plane Curves

평면 곡선에 대한 사용자 정의 확률적 다각형 표현을 제안한다. 주어진 곡선에서 꼭짓점을 선택하고 연속된 꼭짓점을 선분으로 연결하여 다각형 근사를 구성한다. 각 선분에는 법선 방향에 대한 사용자 정의 불확실성 매개변수가 부여된다. 이로부터 기저 곡선의 기하학적 구조를 보존하면서 이상화된 결정론적 1차원 정식화를 넘어 확장되는 얇은 확률적 기하 기본 요소들의 집합이 생성된다. 각 선분에 대해, 접선 방향으로는 균등분포하고 법선 방향으로는 가우시안 분포하는 확률변수를 정의한다. 1차 및 2차 중심 모멘트를 일치시킴으로써, 이 구성은 평균이 선분의 중점에 위치하고 공분산이 접선 및 법선 방향의 불확실성을 모두 인코딩하는 가우시안 성분을 유도한다. 선분별 성분을 적절한 가중치로 결합하면 평면 곡선의 사용자 정의 확률적 다각형 표현에 대한 가우시안 혼합 모델(GMM) 표현이 도출된다. 제안된 프레임워크는 국소 기하학적 구조와 법선 방향의 불확실성을 보존하는 해석적으로 다루기 쉬운 확률적 모델을 제공한다. 이 방법은 매끄러운, 닫힌, 열린, 비정칙 및 자기교차 평면 곡선에 적용 가능하며, 법선 방향의 적응적 이산화 및 가변 불확실성을 허용하고, 그 결과 불확실성 인식 기하 모델링을 지원한다. 표준 평면 곡선 모음에 대한 실험에서, 도출된 GMM이 국소 접선, 국소 법선, 국소 호의 길이를 포착하며, 그 결과 기저 곡선의 전체 형상 역시 충실히 포착됨을 보인다. 이 표현은 불확실성 인식 CAD 및 디지털 트윈, 로보틱스에서의 확률적 장애물 모델링, 그리고 확률적 궤적 계획 응용에 특히 적합하다.