PyTorchKR Papers

최신 논문

총 4편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.27203v1cs.AI

XLOG: 신경기호 통합을 위한 CUDA 네이티브 엔진

XLOG: A CUDA-Native Engine for Neurosymbolic Integration

xlog는 타입 프론트엔드와 제공자 소유(provider-owned) CUDA 런타임을 통해 신경망 지각을 결정론적 데이탈로그(Datalog), 확률적 추론, 인식론적 세계관과 통합하는 CUDA 네이티브 논리 프로그래밍 엔진입니다. 추론 모드들은 디바이스 데이터 평면을 공유하지만 실행 경계는 서로 다릅니다. 일반 데이탈로그와 정확 추론(exact inference)은 호스트가 오케스트레이션하는 반면, 인증된 상주 재귀(certified resident recursive) 및 몬테카를로 샘플링 코어는 유계 종단 수신(bounded terminal receipt) 전까지 추적 대상 호스트-디바이스 전송을 0회 기록합니다. 확률적 경로는 프로버넌스(provenance)부터 CNF, Decision-DNNF에 이르는 GPU 지식 컴파일, 정확 가중치 모델 카운팅(exact weighted model counting), 역방향 그래디언트를 통해 엔드투엔드 그래디언트를 지원합니다. 최종 평활화된 회로는 캐싱 또는 평가 전에 소스 포뮬러에 대해 검증(certified)됩니다. 회로 캐싱을 통해 MNIST 덧셈 학습에서 2.74배의 속도 향상을 얻었으며, 최악 조건 최적 조인(worst-case-optimal join) 서브시스템은 xlog의 이항 조인 기준선 대비 27.96배의 기하 평균 이득을 보입니다. MNIST 덧셈 정확도는 Scallop과 대등하지만(0.9561 대 0.9468), 기준선 에포크 시간이 CPU 할당량에 따라 달라지므로 에포크당 속도 주장은 하지 않습니다. 5개의 허브 편향 삼각형 카운팅 사례에서 Souffle 대비 융합 xlog의 실행 시간 비율은 Souffle이 더 빠른 15만 개 엣지에서의 0.88배에서 120만 개에서의 5.54배로 증가하며, 융합 피크 디바이스 할당량은 구체화(materializing) 암의 3,287~44,979MB에 비해 85~1,033MB입니다. 정확 추론은 ProbLog2와 정확도 측면에서 동등하지만 더 느립니다. 공개 비디오 벤치마크에서는 기호적 크레딧(symbolic credit)으로만 학습된 근접 술어가 동일한 홀드아웃 정확도를 유지하면서 수작업으로 설정된 기하 구조를 대체하지만, Event-Calculus 규칙 탐색 내에서는 10겹 교차 검증에 실패하며 누출 없는(leak-free) 분할에서는 전이되지 않습니다. 해양 코퍼스에서 가중치 부여 절(weighted clauses)은 크리스프(crisp) 선택 대비 F1 점수에서 0.065 앞섰으며, 이 결과는 단일 시계열 학습 패스로 재현되었습니다.

arXiv:2607.19742v1cs.CR

사이버 위협 인텔리전스 보고서에서 도달 가능한 공격 체인을 추출하는 자동화 프레임워크

An Automated Framework for Extracting Reachable Attack Chains from Cyber Threat Intelligence Reports

사이버 위협 인텔리전스(Cyber Threat Intelligence, CTI) 보고서는 실제 공격 과정을 풍부하게 기술하지만, 비구조화된 서술은 자동화된 공격 경로 추론에 바로 활용할 수 없다. 기존 CTI 추출 방법은 지표, 엔티티, TTP 라벨에 초점을 맞추며 각 공격 단계의 실행 조건과 결과 상태를 모델링하지 않기 때문에, 추출된 지식은 상태 매칭이나 다단계 공격 체인에 걸친 도달 가능성(reachability) 분석을 지원하지 못한다. 본 논문은 각 공격 단계를 사전조건, 공격 행위, 사후조건으로 구성된 공격 단위로 모델링하여 도달 가능한 공격 체인을 추출하는 자동화 프레임워크를 제안한다. 대규모 언어 모델(LLM)이 보조하는 다단계 파이프라인은 공격 행위 골격을 추출하고, 이들의 사전조건과 사후조건을 복원하며, 이를 사전 정의된 술어(predicate)로 정규화하고, 끊어진 의존성을 복구한다. 그 결과 생성된 단위는 공격 목표 도달 가능성 추론을 위해 Datalog 스타일 규칙으로 컴파일된다. 334개의 사람 검증 주석 단계를 포함한 20개 CTI 보고서 데이터셋에서, 본 프레임워크는 대표적인 CTI 추출 시스템보다 공격 행위 복원에서 더 높은 주석 단계 커버리지를 달성한다. 또한 사전조건과 사후조건을 명시적으로 생성함으로써, end-to-end LLM 베이스라인이 생성한 것보다 더 완전하고 일관된 공격 단위를 산출한다. 추출된 체인에 대해 Datalog 추론은 20개 보고서 중 19개에서 지정된 공격 목표에 도달하며, 역방향 탐색은 생성된 규칙 하에서 34개의 공격 경로를 산출한다. 소스 코드와 실험 산출물은 익명화된 저장소에서 제공된다.

arXiv:2412.07259v5cs.AI공식 코드 · Papers with Code

매직 셋을 활용한 DatalogMTL의 목표 주도 추론

Goal-Driven Reasoning in DatalogMTL with Magic Sets

DatalogMTL의 높은 계산 복잡도로 인한 실용적 추론 어려움을 해결하기 위해, 비시간적 Datalog용 재작성 기법인 매직 셋(magic sets)을 시간적 추론 환경으로 확장한 목표 지향적(goal-driven) 추론 방법을 제안한다. 공개 벤치마크 평가에서 제안 방법이 최신 추론 기법들을 일관되게 크게 능가함을 실험적으로 입증하였다.

arXiv:2606.11946v1cs.DB

뉴로-관계 프로그램: 구조화 데이터에 대한 쿼리와 신경 계산의 통합

Neuro-Relational Programs: Unifying Queries and Neural Computation over Structured Data

관계형 데이터베이스에 대한 심층 학습의 기존 접근법은 그래프 신경망(GNN)과 같은 신경 모델을 데이터베이스의 그래프 표현에 적용한다. 최근 접근법은 대신 데이터베이스를 직접 다루며, 튜플에 임베딩을 연관시키고 쿼리 메커니즘을 확장하여 임베딩과 관계형 내용을 함께 처리한다. 이러한 발전에 영감을 받아, 우리는 각 사실에 수치 벡터 임베딩이 부여된 관계형 데이터베이스를 위한 선언적 쿼리 언어인 뉴로-관계 프로그램(NRP)을 제안한다. NRP는 임베딩을 결합·집계·변환하는 연산으로 Datalog 스타일 규칙을 확장하여, 단일 형식 체계 안에서 관계형 추론과 학습 가능한 신경 구성요소를 교차한다. 이를 통해 관계형 데이터에 대한 신경 계산의 일반적 접근이 가능해지며, NRP는 학습 가능한 구성요소를 갖는 쿼리 계획이면서 동시에 관계 구조가 내장된 신경 아키텍처로도 읽을 수 있다. NRP의 자연스러운 구문적 단편은 기존 아키텍처와 쿼리 형식 체계를 특수 사례로 포괄한다. 0-원 NRP는 비적응적 쿼리 알고리즘에 대응하고, 단항 NRP는 GNN 스타일 메시지 패싱을 일반화하며 Deep Homomorphism Networks를 정확히 포착한다. 이 연결은 row-id를 갖는 데이터베이스 위의 frontier-guarded NRP까지 확장한다. 렐루-FFN 변환을 갖는 비제한 NRP의 표현력은 FOCQ로 특성화되는데, FOCQ는 실수 가중 구조 위에서 해석되는 계수를 포함한 일계논리의 확장이며, 순서가 있는 데이터베이스 위의 uniform TC$^0$와의 정확한 연결을 이끌어낸다. 이러한 결과를 종합하면 NRP는 관계형 데이터에 대한 쿼리와 신경 계산을 위한 포괄적인 선언적 프레임워크로 자리매김한다.