PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:cs/0201024v3cs.NE

유전 알고리즘을 이용한 통계적 품질 관리 절차 설계

Design of statistical quality control procedures using genetic algorithms

일반적으로, 거짓 기각 확률을 최소화하면서 명시된 확률로 중요한 무작위 및 체계적 분석 오류를 검출하도록 품질 관리(QC) 절차를 최적화하는 데 대수적 또는 열거적 방법을 사용할 수 없다. 유전 알고리즘(GA)은 최적화할 목적 함수에 대한 사전 지식을 요구하지 않고 대규모 매개변수 공간을 빠르게 탐색하므로 대안이 될 수 있다. 통계적 QC에서 GA의 적용 가능성을 탐구하기 위해, 주어진 분석 프로세스에 대해 새로운 근사 최적 QC 절차를 설계하는 GA 기반 대화형 컴퓨터 프로그램을 개발하였다. 이 프로그램은 결정론적 크라우딩(deterministic crowding) 알고리즘을 사용한다. 프로그램의 예시적 적용 결과, 임상 실험실에서 사용되는 45개의 대안적 QC 절차보다 유의미하게 우수한 QC 절차를 설계할 수 있는 잠재력이 있음을 보여준다.

arXiv:2606.16849v2cs.NE

진화와 파운데이션: AI가 창작 통제권을 공유하다

Evolution & Foundation: AI Shares Creative Control

유전자 알고리즘으로 3D 유기 형태를 생성하는 Organic과 Gemini 파운데이션 모델을 결합한 Evolution Foundation(EvolF) 프레임워크를 제안하며, 멀티모달 AI 에이전트가 단계별 미적 선별을 담당해 예술가는 직접 큐레이션 대신 시스템 설계와 의미적 목표 설정에 집중할 수 있게 한다. AI의 미적 추론 감사 추적과 대화형 시각화·진화 서사를 통해 다차원 진화 매개변수 공간에서 의미적 목표에 맞는 미적으로 만족스러운 3D 형태를 탐색할 수 있음을 보인다.

arXiv:2606.12279v1cs.NE

최적화 유도 연산자를 갖는 유전 알고리즘에 대한 수학적 관점

Mathematical perspective on genetic algorithms with optimization guided operators

최근 ML(기계학습) 연구는 추론(inference) 시간에 유전 알고리즘을 적용하여 최적화 문제의 해를 반복적으로 개선합니다. 여기에 포함된 기본 돌연변이(mutation) 및 재결합(recombination) 연산자는 기존에 연구된 것들과 질적으로 다릅니다. 돌연변이는 더 이상 무작위가 아니며, ML 알고리즘은 목적함수(objective)를 개선하는 목표로 해를 변형합니다. 마찬가지로, 재결합은 부모 해의 무작위 조합에 기반하지 않습니다. 대신, 이는 입력으로부터 개선된 해를 종합하는 것을 목표로 하는 ML 기반 최적화 연산자입니다. 따라서 이러한 돌연변이 및 재결합 연산자는 목적함수를 개선할 가능성이 더 높지만, 계산 비용이 훨씬 높습니다. 우리는 유전 알고리즘의 일반적인 모델을 소개하고, 강화학습(reinforcement learning)의 언어를 사용하여 이 모델 내의 최적화를 쿼리 복잡도(query-complexity) 문제로 공식화합니다. 그런 다음 특화된 모델들을 연구합니다. 일부 최적화 문제는 해결하기 위해 생성(generation), 돌연변이, 재결합이 필요함을 보여줍니다. 그 후 이 프레임워크 내에서 문제군에 대해 질적으로 타이트한(tight) 알고리즘을 얻으며, 이는 실용적인 ML 유전 알고리즘의 핵심 특징인 해 풀(solution pool) 내 다양성(diversity)의 중요한 역할을 포착합니다.