PyTorchKR Papers

최신 논문

총 4편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.21647v1cs.LG

지능형 서비스를 위한 드리프트 안정 양자 연합 학습

A Drift Stable Quantum Federated Learning for Intelligent Services

양자 연합 학습(quantum federated learning)은 분산 클라이언트가 로컬 데이터를 공유하지 않고 양자 신경망(quantum neural networks)을 학습할 수 있게 하며, 이는 프라이버시를 고려한 지능형 서비스에 유망한 접근법이다. 이 맥락에서 지능형 서비스는 사기 탐지와 유전체 분류와 같이 프라이버시에 민감한 분산 의사결정 시스템을 가리키며, 여기서는 신뢰할 수 있고 공정한 클라이언트 수준 학습이 집계 모델의 정확도만큼 중요하다. 그러나 이질적인 클라이언트 데이터와 노이즈가 많은 양자 최적화(optimization)는 종종 불안정한 로컬 업데이트, 클라이언트 드리프트(client drift), 그리고 클라이언트 간 불공정한 성능을 야기한다. 본 논문은 deep-unfolded 로컬 최적화에 기반한 드리프트 안정 양자 연합 학습 프레임워크인 DUQFL-Prox를 제안한다. 고정된 로컬 옵티마이저를 사용하는 대신, 각 클라이언트는 적응형 unfolded SPSA 업데이트를 수행하며, proximal term은 로컬 모델을 글로벌 모델에 가깝게 유지한다. 경량 컨트롤러는 집계 후 성능을 개선하기 위해 단계별 최적화 매개변수를 학습한다. 금융 사기 탐지 및 유전체 분류 작업에 대한 실험은 DUQFL-Prox가 표준 QFL(양자 연합 학습) 베이스라인 대비 안정성, 일반화, 클라이언트 공정성을 개선함을 보여준다. 결과는 deep-unfolded 양자 연합 학습이 이질적인 분산 환경에서 더 신뢰할 수 있고 공정한 지능형 서비스를 지원할 수 있음을 시사한다.

arXiv:2606.19920v1cs.RO

딥 언폴딩 조정

Deep-Unfolded Coordination

분산 최적화는 다중 에이전트 로봇공학 문제를 해결하는 매우 확장성이 높고 구조적으로 투명한 기술이지만, 이러한 방법들은 종종 고도로 전문적이고 문제에 특화된 하이퍼파라미터 튜닝이 필요하다는 문제점을 겪습니다. 본 연구에서는 Deep Coordinator를 제안합니다. 이는 로봇 작업에 널리 사용되는 분산 솔버인 ADMM-DDP의 하이퍼파라미터를 옵티마이저 성능에 따라 실행 시점에 동적으로 조정하도록 학습하는 딥 언폴딩 프레임워크입니다. 우리 아키텍처는 고정된 수의 ADMM-DDP 반복을 신경망으로 언폴딩하고, 레이어 사이에 옵티마이저 상태를 다음 하이퍼파라미터로 매핑하는 학습 가능한 함수를 배치하여 구성됩니다. 우리가 아는 한, Deep Coordinator는 실행 시점에 비볼록 옵티마이저의 페널티 파라미터를 조정하는 최초의 딥 언폴딩 프레임워크입니다. 또한, 이러한 모델을 학습할 때 주류인 지도 학습 접근 방식이 퇴보한 해를 생성할 수 있음을 보이고, 비지도 학습 방식을 제안합니다. 자동차와 쿼드로터 군집을 이용한 시뮬레이션에서 Deep Coordinator는 기존 솔버보다 6.18-9.44배 더 빠르게 비슷한 품질의 궤적을 생성합니다. 또한, Deep Coordinator는 학습에 사용된 것보다 최대 8배 더 큰 시스템에 배포되더라도 성능 이점을 유지합니다.

arXiv:2606.19097v1cs.CV

DVANet: 이미지 복원을 위한 열화 인식 시각적 사전 정렬 네트워크

DVANet: Degradation-aware Visual-prior Alignment Network for Image Restoration

올인원 이미지 복원은 다양한 열화 유형을 처리하기 위한 통합 복원 프레임워크를 개발하는 것을 목표로 합니다. 기존의 엔드투엔드(end-to-end) 방법들은 일반적으로 복원 과정을 블랙박스 매핑으로 간주하여 명시적인 최적화 해석이 부족합니다. 딥 언폴딩(deep unfolding)이 이미지 복원을 위해 해석 가능한 반복적 모델링 패러다임을 제공하지만, 기존 방법들은 대부분 고정된 열화 가정이나 미리 정의된 열화 정보에 의존하여 복잡한 열화와 국소적으로 손상된 콘텐츠 하에서의 통합 복원 요구사항에 적응하기 어렵습니다. 이러한 한계는 열화 억제 및 구조적 디테일 복원 측면에서의 성능을 제한합니다. 이러한 문제를 해결하기 위해 본 논문은 반-이차 분할(half-quadratic splitting) 최적화 알고리즘에서 영감을 받은 딥 언폴딩 네트워크인 DVANet을 제안합니다. 이 네트워크는 복잡한 열화 하에서의 통합 이미지 복원을 열화 인식 관측 일관성과 시각적 사전(visual-prior) 안내 복원 사이의 협업적 언폴딩 과정으로 공식화합니다. 구체적으로, 열화 인식 관측 일관성 분기에서는 전역 열화 속성과 국소 열화 단서를 추출하기 위해 열화 표현 모듈을 사용하고, 다양한 열화 유형에 대한 모델의 적응성을 높이기 위해 열화 조건부 매핑을 활용합니다. 시각적 사전(visual-prior) 안내 복원 분기에서는 DINOv3를 도입하여 계층적 시각적 사전으로서 구조적 및 의미적 정보를 제공함으로써, 손상된 영역의 누락된 구조적 정보를 보완하고 디테일 복원을 향상시킵니다. 광범위한 실험을 통해 DVANet이 다중 시나리오 열화 및 교차 도메인 이미지 복원 작업에서 우수하거나 경쟁력 있는 성능을 달성하며, 우수한 열화 적응성과 일반화 능력을 보여줌을 입증했습니다.

arXiv:2606.12740v1cs.LG

데이터 기반 블록 희소 복원을 위한 딥 언폴딩 잠재 최적 분할 l2/l1 네트워크

Deep Unfolded Latent Optimally Partitioned-l2/l1 Networks for Data-driven Block-Sparse Recovery

알 수 없는 분할을 가진 블록 희소 신호 복원에서 발생하는 수동 튜닝 및 수치적 불안정성 문제를 해결하기 위해, 암시적 미분과 Deep Weight Factorization(DWF)을 활용한 Deep Unfolding(DU) 기반의 두 가지 아키텍처를 제안한다. 제안된 방법은 경쟁력 있는 성능을 달성함과 동시에 임펄스 노이즈에 대해 높은 강건성을 보여준다.