PyTorchKR Papers

최신 논문

총 10편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2604.24201v2cs.LG

CMGL: 암 아형 분류를 위한 신뢰도 기반 다중 오믹스 그래프 학습

CMGL: Confidence-guided Multi-omics Graph Learning for Cancer Subtype Classification

동기: 다중 오믹스(multi-omics) 통합은 암 아형 분류(cancer subtyping) 성능을 향상할 수 있으나, 암 종류와 환자에 따라 양식(modality)별 유용성과 노이즈가 상이합니다. 대부분의 다중 오믹스 데이터용 그래프 기법은 다운스트림 분류 목적식 내에서 양식별 기여도를 학습하므로 환자별 예측 신뢰도가 암시적인 상태로 남게 됩니다. 그 결과, 정보량이 적은 양식은 융합된 표현을 약화시킬 수 있으며, 신뢰할 수 없는 오믹스는 그래프 전파 과정에 노이즈가 섞인 환자 간 관계를 유입시킬 수 있습니다. 이러한 두 가지 문제를 해결하기 위해, 본 연구에서는 융합 전에 독립적인 신뢰도 추정치를 산출하고 합의 환자 이웃(consensus patient neighborhoods)을 그래프 분류에 활용하는 CMGL을 제안합니다. 결과: CMGL은 증거적 심층 학습(evidential deep learning)을 통해 각 환자에 대한 양식 신뢰도를 추정하고, 오믹스 간 융합 과정에서 이 값들을 고정한 뒤 독립적으로 지정된 일관성 그래프 상에서 분류를 수행합니다. 4개의 MLOmics 암 아형 태스크와 32개 클래스의 범암(pan-cancer) 태스크에서 CMGL은 가장 강력한 기준선 모델 대비 일관된 성능 향상을 보였으며, 4개의 단일 암 태스크 평균 정확도에서 4.03% 더 우수한 성능을 기록했습니다. 또한 제안 모델의 표현은 유방 침윤성 암종(BRCA)의 PAM50 고유 아형을 복원하며, BRCA에서 학습된 모델은 파인튜닝(fine-tuning) 없이도 신장 투명 세포암(KIRC)으로 전이되어 환자들을 예후상 뚜렷하게 구별되는 집단으로 층화합니다.

arXiv:2506.05937v3cs.LG

충돌 인지 증거 기반 심층 학습을 통한 강건한 적대적 정량화

Robust Adversarial Quantification via Conflict-Aware Evidential Deep Learning

심층 학습(deep learning) 모델의 신뢰성은 분포 외(OOD) 또는 적대적 입력이 치명적인 결과를 초래할 수 있는 고위험 응용 분야의 배포에서 매우 중요합니다. 불확실성 정량화(uncertainty quantification)를 위한 효율적인 패러다임인 증거 기반 심층 학습(Evidential Deep Learning, EDL)은 단일 순전파(forward pass)의 디리클레 분포(Dirichlet distribution)로 예측을 모델링합니다. 그러나 EDL은 적대적으로 섭동된 입력에 특히 취약하여 과신에 찬 오류를 범합니다. 충돌 인지 증거 기반 심층 학습(Conflict-aware Evidential Deep Learning, C-EDL)은 이러한 문제를 완화하여 재학습 없이도 적대적 및 OOD 강건성을 향상시키는 경량 사후 불확실성 정량화 접근 방식입니다. C-EDL은 입력당 다양하고 태스크를 보존하는 변환을 생성하며, 표현상의 불일치를 정량화하여 필요할 때 불확실성 추정치를 보정합니다. C-EDL의 충돌 인지 예측 조정은 OOD 및 적대적 입력의 탐지를 개선하는 동시에 높은 분포 내(in-distribution) 정확도와 낮은 연산 오버헤드를 유지합니다. 실험적 평가에 따르면 C-EDL은 최첨단 EDL 변형 모델 및 경쟁력 있는 베이스라인을 크게 능가하여, 다양한 데이터셋, 공격 유형, 불확실성 지표 전반에서 OOD 데이터(최대 약 55%) 및 적대적 데이터(최대 약 90%)에 대한 커버리지를 대폭 감소시킵니다.

arXiv:2610.01409v1cs.CV

사전학습된 객체 검출을 위한 위치파악 인식 불확실성

Localisation-Aware Uncertainty for Pretrained Object Detection

분포/공변량 변화(distribution/covariate shift) 및 적대적 공격(adversarial attack)이 발생할 수 있는 환경에서 객체 검출기를 배포하려면 신뢰할 수 있는 불확실성 추정(uncertainty estimation)이 필수적입니다. 기존 접근 방식은 흔히 검출기 재학습, 아키텍처 수정 또는 반복적인 추론(inference)을 요구하므로, 적용이 불가능하거나 상당한 오버헤드를 유발할 수 있습니다. 본 연구에서는 기본 검출기를 동결(frozen) 상태로 유지하면서 어떤 객체 위치파악(localisation)을 불확실한 것으로 간주해야 하는지 학습하는 경량 사후 증거 기반 메타 모델(post-hoc evidential meta-model)을 소개합니다. 제안하는 접근 방식은 위치파악 관련 특징을 자동으로 식별하고, 돌출도 기반 수정(saliency-guided modification)을 활용하여 점진적으로 더 까다로운 커리큘럼을 구성합니다. 검출 수준 목표는 위치파악 오차, 수정 수준, 예측 불안정성을 결합하여 증거 기반 메타 모델이 예측된 각 경계 상자(bounding box)의 불확실성을 추정하도록 유도합니다. 본 접근 방식은 검출기에 대한 수정을 요구하지 않으며 원래의 위치파악 출력을 보존합니다. 다양한 적대적 공격과 평가된 강도 전반에서 GRACE는 분포 내(in-distribution) 검출 성능을 유지하면서 일부 사례에서는 가장 강력한 비교 대상 대비 TP-FP AUROC를 22% 향상시킵니다.

arXiv:2609.24668v1cs.CV

Ev-YOLO: 통합 증거 공식화를 통한 불확실성 인식 객체 검출

Ev-YOLO: Uncertainty-Aware Object Detection via a Unified Evidential Formulation

불확실한 환경에서 동작하는 자율 시스템에 객체 검출기를 배포하려면 신뢰할 수 있는 불확실성 추정이 필수적이다. 증거 심층 학습(Evidential Deep Learning, EDL)은 네트워크 출력을 증거(evidence)로 표현하고 주관 논리(subjective logic)를 통해 예측을 해석함으로써 불확실성 인식 분류를 위한 원칙적인 프레임워크를 제공한다. 그러나 기존 증거 기반 객체 검출기는 일반적으로 동일한 이론적 기반을 공유하지 않는 회귀(regression) 불확실성 모델과 증거적 분류를 결합한다. 본 연구에서는 분류와 바운딩 박스(bounding-box) 회귀를 모두 공통의 증거 프레임워크 안에서 공식화한 YOLOv8의 증거적 버전을 제안한다. 우리 접근법은 YOLOv8의 분포 기반 바운딩 박스 표현을 활용하여 증거 공식화를 분류뿐 아니라 위치 추정(localisation)에도 적용할 수 있게 한다. 그 결과 두 과제 모두 Dempster–Shafer 프레임워크 내에서 해석할 수 있는 믿음(belief), 불확실ity, 확률 추정치를 생성한다. KITTI, MUSES, nuScenes에서의 실험은 결과 검출기가 검출 정확도 측면에서 표준 YOLOv8과 대체로 경쟁력을 유지하면서, 올바른 검출과 잘못된 검출을 효과적으로 구별하는 위치 추정 불확실성을 제공함을 보여준다. 또한 이 불확실성은 도메인 이동(domain shift) 하에서 점점 더 변별력을 갖게 된다.

arXiv:2602.01477v3stat.ML

Density-Informed Pseudo-Counts for Calibrated Evidential Deep Learning

증거 기반 딥러닝(EDL) 학습이 온도 조절 의사우도(pseudo-likelihood)를 쓰는 계층 베이즈 모델의 상각화 변분 추론(amortized variational inference)에 해당함을 보이고, 표준 EDL이 OOD 입력에서 인식론적·우연적 불확실성을 혼동해 과신하는 한계를 지적한다. 이를 위해 조건부 레이블 분포와 공변량(covariate) 밀도를 분리 추정하는 DIP-EDL을 제안해 고밀도 영역의 증거는 유지하면서 OOD 예측은 균등 사전(prior)으로 수축시키며, 분포 이동(distributional shift) 하에서 해석성·견고성·불확실성 보정(calibration)을 개선한다.

arXiv:2607.10491v1cs.LG

EvidentialRAG: 증거적 심층 학습을 통한 다중 소스 검색-증강 생성에서의 정보 충돌 정량화 및 완화

EvidentialRAG: Quantifying and Mitigating Information Conflict in Multi-Source Retrieval-Augmented Generation via Evidential Deep Learning

검색-증강 생성(RAG)은 대규모 언어 모델(LLM)을 외부 증거에 기반하게 하지만, 대부분의 파이프라인은 검색된 구절을 결정론적이고 상호 일관된 컨텍스트로 취급한다. 개방형 정보 환경에서 검색된 소스들은 시간적 드리프트, 소스 오류, 모호성, 또는 실제 불확실성으로 인해 서로 상충될 수 있다. 본 논문은 생성 전에 검색된 청크를 확률적 증거로 변환하는 불확실성 인식 RAG 프레임워크 ERAG를 제안한다. 경량 평가기는 후보 주장을 추출하고 청크 수준의 지지를 디리클레(Dirichlet) 증거에 매핑한다. 충돌 보존 뎀프스터-샤퍼(Dempster-Shafer) 융합 규칙은 미해결 불일치를 정규화하여 없애는 대신 인식론적 불확실성으로 전환한다. 생성기는 융합된 불확실성 점수에 따라 직접 응답, 충돌 인식 응답, 또는 기권으로 라우팅된다. CRAG, ConflictQA, MuSiQue에 대한 실험에서 ERAG는 충돌 상황에서의 동작을 개선하면서 표준 질의응답에서 가장 강력한 매칭 기준선과 경쟁력을 유지함을 보여준다. CRAG 모호한 서브셋에서 환각은 Corrective RAG의 45.3%에서 인간 보정 추정치 34.8%로 감소하고, 충돌 해결은 35.2%에서 51.2%로 증가하며, 기대 보정 오류(expected calibration error)는 0.122로 개선된다. 이러한 결과는 증거적 모델링이 파운데이션 모델 기반 검색 시스템에서 신뢰할 수 있는 정보 처리를 위한 실용적인 메커니즘임을 시사한다.

arXiv:2607.05669v1cs.RO

Evidential Mamba를 이용한 자기수용적 차량 위치 추정을 위한 불확실성 인식 속도 보정

Uncertainty-Aware Velocity Correction for Proprioceptive Vehicle Localization using Evidential Mamba

GNSS 불가 환경에서 IMU 드리프트를 보정하기 위해, Mamba 기반 선택적 상태 공간 모델과 에비덴셜 딥러닝(evidential deep learning)을 결합한 EVC-Mamba를 제안하여 추가 하드웨어 없이 차량 탑재 센서만으로 불확실성 인식 가상 속도 센서를 구현한다. 실차 데이터 평가에서 전용 외부 속도 센서 대비 10% 이내의 위치 추정 정확도를 달성하며 엣지 하드웨어에서 40 Hz 실시간 배포를 지원한다.

arXiv:2607.03075v1cs.LG

강건성과 불확실성의 만남: 강건한 선택적 분류를 위한 증거적 적대적 학습

Robustness Meets Uncertainty: Evidential Adversarial Training for Robust Selective Classification

안전-중요 응용 분야(safety-critical applications)는 강건하면서도 신뢰할 수 있는 분류기를 필요로 한다. 적대적 학습(adversarial training)은 심층 신경망의 강건성을 향상시키기 위해 널리 채택된 방어 기법이지만, 예측 불확실성의 신뢰성에 미치는 영향은 아직 충분히 탐구되지 않았다. 우리는 적대적 강건성과 함께 체계적으로 분석된 사례가 드문 선택적 분류(selective classification)의 관점에서 이 격차를 조사한다. 우리는 강건성-불확실성 트레이드오프에 대한 통합 벤치마크를 도입한다. 이 벤치마크는 정상(clean), 적대적(adversarial), 일반 손상(common-corruption) 설정 전반에 걸쳐 아키텍처, 증강, 위협 모델, 평가 지표를 표준화한다. 다양한 최신 적대적 학습 방법들에 걸쳐, 우리는 반복적인 실패 패턴을 발견한다: 여러 방법들이 강건한 정확도를 향상시키면서도 불확실성 순위를 저하시켜, 더 나쁜 선택적 동작(selective behavior)으로 이어진다. 이를 해결하기 위해, 우리는 디리클레 분포(Dirichlet distribution)를 통해 불확실성을 모델링하고 (i) 정상 정확도와 신뢰할 수 있는 불확실성을 촉진하는 증거 기반 손실과 (ii) 로그 디리클레 매개변수 공간에서 정상 예측과 적대적 예측을 일치시키는 강건한 증거 정렬 손실을 결합한 증거적 적대적 학습(Evidential Adversarial Training, EV-AT)을 제안한다. 광범위한 실험을 통해 EV-AT가 기존 최신 적대적 학습 방법들을 넘어 강건성-불확실성 트레이드오프의 파레토 프론티어(Pareto frontier)를 이동시킴을 보인다. 소스 코드는 https://github.com/NicolasSournac/Robustness_Meets_Uncertainty.EV-AT 에서 공개적으로 이용 가능하다.

arXiv:2606.31473v1eess.SP

Von Mises Based Uncertainty Quantification for Closely Spaced Automotive Radar Targets

자동차 레이더에서 근접한 확장 표적의 도래각(DOA) 추정 시 불확실성을 정량화하기 위해, von Mises 앙상블(ENS)과 증거적 딥러닝(EDL) 프레임워크를 비교 분석하였다. ENS는 명목 조건에서 낮은 불확실성과 심각한 교란에 대한 강한 민감도를 보이며, 폐쇄형 VM 우도를 통해 연관 모듈과의 직접적인 확률적 통합이 가능하여 통합된 탐지-추적 파이프라인 구성에 유리하다.

arXiv:2603.09359v2cs.CV

Evidential Perfusion Physics-Informed Neural Networks with Residual Uncertainty Quantification

Physics-informed neural networks (PINNs) have shown promise in addressing the ill-posed deconvolution problem in computed tomography perfusion (CTP) imaging for acute ischemic stroke assessment. However, existing PINN-based approaches remain deterministic and do not quantify uncertainty associated with violations of physics constraints, limiting reliability assessment. We propose Evidential Perfusion Physics-Informed Neural Networks (EPPINN), a framework that integrates evidential deep learning with physics-informed modeling to enable uncertainty-aware perfusion parameter estimation. EPPINN models arterial input, tissue concentration, and perfusion parameters using coordinate-based networks, and places a Normal--Inverse--Gamma distribution over the physics residual to characterize voxel-wise aleatoric and epistemic uncertainty in physics consistency without requiring Bayesian sampling or ensemble inference. The framework further incorporates physiologically constrained parameterization and stabilization strategies to promote robust per-case optimization. We evaluate EPPINN on digital phantom data, the ISLES 2018 benchmark, and a clinical cohort. On the evaluated datasets, EPPINN achieves lower normalized mean absolute error than classical deconvolution and PINN baselines, particularly under sparse temporal sampling and low signal-to-noise conditions, while providing conservative uncertainty estimates with high empirical coverage. On clinical data, EPPINN attains the highest voxel-level and case-level infarct-core detection sensitivity. These results suggest that evidential physics-informed learning can improve both accuracy and reliability of CTP analysis for time-critical stroke assessment. Source code is available at https://github.com/jhlee0619/EPPINN.