PyTorchKR Papers

최신 논문

총 8편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.20550v1cs.LG

SBDD를 넘어서: 다약리학 및 다중 표적 약물 설계에서의 기하 심층 학습

Beyond SBDD: Geometric Deep Learning in Polypharmacology and Multi-target Drug Design

구조 기반 약물 설계(SBDD)의 전통적인 "하나의 약물, 하나의 표적" 패러다임은 보상적 신호 전달 경로와 약물 내성의 출현으로 인해 암 및 신경퇴행성 질환과 같은 다인자 질환 치료에 자주 부적합하다. 다약리학(polypharmacology)은 시너지적 치료 전략을 제공하지만, 다중 표적이 부과하는 기하학적 제약을 동시에 만족할 수 있는 리간드의 합리적 설계는 여전히 주요한 계산 병목으로 남아 있다. 본 리뷰는 이러한 한계를 극복하기 위한 강력한 통합적 접근법으로 기하 심층 학습(geometric deep learning, GDL)을 제시한다. 우리는 비유클리드 분자 데이터를 활용하여 고유한 3차원(3D) 구조적 상호의존성을 포착하는 불변 그래프 신경망부터 SE(3)-등변 확산 모델까지 다양한 GDL 아키텍처를 체계적으로 조사한다. 기하 임베딩(embedding)을 통한 공유 결합 포켓의 특성화, 이질적 그래프 융합을 통한 다중 표적 생물활성 예측, 이중 표적 리간드의 de novo 생성을 포함하여 세 가지 핵심 차원에 걸친 GDL 적용을 비판적으로 분석한다. 특히 경쟁하는 결합 부위 간의 복잡한 기하학적 충돌을 자율적으로 해결하기 위해 확산 모델과 강화학습을 통합하는 새로운 구조 조건 생성 알고리즘에 특별한 중점을 둔다. 또한 이러한 모델을 검증하는 데 있어 다중 모달 오믹스 통합과 특화된 기하 벤치마킹(benchmarking) 인프라의 핵심적 역할을 평가한다. 방법론적 발전을 종합함으로써, 본 리뷰는 우연적 탐험에서 합리적이고 구조 주도적인 다약리학적 분자 공학으로의 약물 발견 패러다임 전환을 설명하며, 차세대 치료제의 복잡성을 탐색하기 위한 명확하고 구조화된 가이드를 제공한다.

arXiv:2607.20535v1cs.LG

제로샷 디지털 트윈을 위한 그래프 신경망 접근법

A Graph Neural Network approach to zero-shot Digital Twins

전통적인 예측형 디지털 트윈은 종종 기하학적으로 경직되어, 기반 물리 영역이나 경계 조건이 바뀔 때마다 광범위한 재학습 또는 미세조정을 필요로 한다. 이 한계를 극복하기 위해, 우리는 실시간 시각 인식과 기하학에 무관한 물리 정보 기반 추론 엔진을 원활하게 결합하는 제로샷 디지털 트윈(Zero-Shot Digital Twins)을 위한 새로운 프레임워크를 제시한다. 우리 아키텍처의 핵심은 Thermodynamics-Informed Graph Neural Network 아키텍처로, 메트리플렉틱(metriplectic) 열역학 형식론에 기반한 기하 심층 학습(Geometric Deep Learning) 솔버이며, 그래프 메시지 전달을 통해 국소적으로 에너지 보존과 비음 엔트로피 생성을 강제한다. 이 프레임워크는 보조 그래프 신경망을 통합하여 희소한 초기 시각 경계로부터 직접 관측 불가능한 필드(응력 텐서, 속도 및 에너지 분포 등)를 추론함으로써 수치적 시작 과도 현상을 완화한다. 시뮬-실제(sim-to-real) 격차를 메우기 위해, 우리는 연속적인 폐루프 데이터 동화 메커니즘을 구현한다. 파이프라인은 심층 분할 신경망과 희소 광학 흐름을 결합하여 거시적 변형과 자유 표면 유체 경계를 실시간으로 추적하고, 자기회귀 시뮬레이션 롤아웃을 동적으로 보정하여 수치적 드리프트를 제거한다. 우리 접근법의 타당성을 검증하기 위해, 우리는 두 가지 이질적인 물리 체제에서 접근법의 극단적인 일반화 능력을 입증한다: 점탄성 보의 대변형과 점성 유체의 비선형 슬로싱(sloshing). 두 시나리오 모두에서, 통합 프레임워크는 사례별 재학습 없이 새로운, 보지 못한 기하학에서 물리적으로 정확한 시뮬레이션을 생성하며, 실시간 지연(latency) 예산(프레임당 약 25ms) 내에서 동작하고 증강 현실(AR)을 통해 잠재 기계 변수의 직접 투영을 가능하게 한다.

arXiv:2607.05153v2stat.ML

기하학적 인과 모델

Geometric Causal Models

기하학적 인과 모델(GCM)은 공간·네트워크·분자 데이터와 같이 독립 동일 분포(i.i.d.)를 따르지 않는 구조화된 데이터에서 인과 추론을 수행하기 위해, 데이터 생성 과정의 대칭성을 군론(group theory)으로 형식화한 통합 프레임워크다. 에르고딕 이론으로 인과 식별을 보장하고 기하학적 심층 학습과 베이즈 추론을 결합한 추정 방법을 제시하며, DNA 대칭성을 만족하는 GCM을 구성해 유전적 변이 효과를 추정하는 데 적용했다.

arXiv:2607.11140v1cs.LG

Learning Subgroup Relations Using Siamese Graph Neural Networks

Determining whether one finite group is isomorphic to a subgroup of another is a fundamental problem in computational group theory. In this work, we propose a Siamese Graph Neural Network (Siamese GNN) for subgroup prediction using Cayley graph representations of finite groups. Each input group is represented by its undirected Cayley graph and encoded by one branch of a Siamese GNN to produce a graph embedding. The resulting graph embeddings are combined with algebraic features derived directly from the input groups to construct a joint feature vector, which is processed by a fully connected classifier to predict subgroup relations between finite groups. By integrating graph-based structural representations with algebraic features, the proposed framework provides a unified approach for learning subgroup relations from finite groups. Experimental results demonstrate the effectiveness of the proposed architecture, achieving a test accuracy of 95.9% (47/49) on an independent test set and illustrating the potential of geometric deep learning for subgroup prediction.

arXiv:2607.06531v1cs.AI

Large Cancer Assistant (LCA): 종양학에서 확장 가능한 임상 의사결정 지원을 위한 모델 무관 오케스트레이션 프레임워크

The Large Cancer Assistant (LCA): A Model-Agnostic Orchestration Framework for Scalable Clinical Decision Support in Oncology

- 목적: 종양학의 멀티모달 심층 학습(deep learning) 모델은 현재 데이터 수집, 임상 라우팅, 인공지능(AI) 추론(inference)을 경직되게 결합하는 단일체(monolithic) 설계에 의해 제약을 받고 있다. 이러한 비유연성을 해결하기 위해, 우리는 확장 가능한 임상 의사결정 지원을 위해 설계된 모델 무관(model-agnostic) 사후(post-hoc) 오케스트레이션 프레임워크인 Large Cancer Assistant (LCA)를 제안한다. - 방법: LCA는 알고리즘 불침투성(Algorithmic Impermeability) 원칙에 기반한 7-튜플 아키텍처로 수학적으로 형식화되어, 오케스트레이션 로직이 기저의 블랙박스 AI 모델과 엄격하게 독립적으로 유지되도록 보장한다. 우리는 기하학적 심층 학습(Geometric Deep Learning, GDL)을 활용하는 진입 이론(Entry Theory)을 도입하여 멀티모달 환자 데이터를 구별되는 구조적 축 및 의료 축을 따라 표준화한다. 시스템은 Cancer Switching Module을 통해 데이터를 동적으로 오케스트레이션하고, 표준화된 중간 페이로드(Standardized Intermediate Payload, SIP)를 출력함으로써 핵심 AI 실행을 가변적인 병원 IT 인프라로부터 의도적으로 격리한다. - 결과: 개념 증명(Proof of Concept, PoC)은 네 가지 기술 시나리오에 걸쳐 오케스트레이션 로직을 검증하였다. 프레임워크는 무시할 수 있는 오케스트레이션 오버헤드로 정상 흐름을 실행하였다. AI 모델 교체 시 불변 라우팅 프로젝션을 유지함으로써 알고리즘 불침투성을 실험적으로 입증하였으며, 주입된 데이터 이상 상황에서 목표 보충 데이터 요청(Supplementary Data Requests, SDR) 생성에 100% 재현율(recall)을 달성하여 엄격한 실패 안전성을 검증하였다. 다중 프로토콜 실행 능력도 성공적으로 검증되었다. - 결론: 멀티모달 수집과 특징(feature) 추론을 구조적으로 분리함으로써, LCA는 고도로 적응 가능하고 모듈화된 오케스트레이션 기반을 제공한다. SIP는 명확한 아키텍처 경계를 확립하여, 독립적인 미래 패러다임으로서 다운스트림 전자의무기록(Electronic Medical Record, EMR) 상호운용성을 위한 토대를 자연스럽게 마련한다.

arXiv:2607.03798v1cs.LG

등변 심층 학습의 기초: 그래프 신경망과 시프 신경망의 통합

Foundations of Equivariant Deep Learning: Unifying Graph and Sheaf Neural Networks

페이스 포셋(face poset) 위의 등변 번들(equivariant bundle) 이론을 기반으로, 그래프 메시지 패싱과 시프 신경망(sheaf neural networks)을 통합하는 순서-등변 신경망(OENN)을 제안하며, 모든 선형 순서-등변 맵의 특성화와 함께 시프 신경망 최초의 보편 근사 정리(UAT)를 증명한다. 나아가 OENN을 범주-등변 신경망(CENN)으로 확장해 비가역 대칭성을 포함한 범주적 대칭성까지 활용할 수 있는 일반적 프레임워크를 제시한다.

arXiv:2607.01449v1cs.LG

Geometry-Aware R-Structured Kolmogorov-Arnold Networks

V.L. Rvachev의 R-함수를 Kolmogorov-Arnold Network(KAN) 프레임워크에 통합한 하이브리드 신경망 구조 GRS-KAN을 제안하며, KAN 브랜치가 매끄러운 비선형 구조를 학습하는 동안 R-함수가 기하학적·논리적 제약을 해석적으로 인코딩한다. 불연속점을 포함한 회귀 벤치마크에서 표준 KAN 대비 테스트 RMSE를 최대 67%까지 감소시키며 해석 가능성도 향상시켰다.

arXiv:2606.13568v1cs.LG

조정된 컵 곱 신경망 층

Adjusted Cup-Product Neural Layer

물리학과 기하학의 코체인 컵 곱(cup product)을 모델링하기 위해 고차 게이지 이론의 조정 항을 결합한 조정된 컵 곱 신경망 레이어를 제안한다. 이 방법은 설계상 게이지 불변(gauge invariant)인 출력을 생성하며, 닫힌 사이클에서 출력이 조정 계수에 전적으로 의존함을 이론적으로 입증했다.