PyTorchKR Papers

최신 논문

총 5편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.26212v2cs.LG

그래프 신경망을 이용한 Cayley 그래프로부터 대수적 성질을 학습하기 위한 일반 프레임워크

A General Framework for Learning Algebraic Properties from Cayley Graphs using Graph Neural Networks

본 연구에서는 Cayley 그래프 표현으로부터 유한군의 대수적 성질을 학습하기 위한 일반적인 그래프 신경망(GNN) 프레임워크를 제안한다. 이 프레임워크는 공통 그래프 구성 절차, 특징 표현, 학습 방법론, GNN 아키텍처로 구성된 통합 계산 파이프라인을 제공하며, 분류 과제 간에는 목표 레이블링 함수만 달라진다. 제안된 접근법의 일반성을 입증하기 위해, 아벨성(abelianity), 멱零성(nilpotency), 가해성(solvability)의 세 가지 대표적인 대수적 성질을 고려한다. 여러 고전적 군족에서 추출한 176개 유한군으로 구성된 벤치마크에 대해 실험을 수행했으며, 각 분류 과제에 모든 군이 포함되었다. 클래스 불균형을 해결하기 위해, 학습 중 적절한 경우 클래스 가중 교차 엔트로피 손실을 사용했다. 또한 PSL(2,q) 군족은 테스트 전용으로 예약하여, 프레임워크가 이전에 보지 못한 군족으로 일반화하는 능력을 평가할 수 있게 했다. 최고 성능 모델은 아벨성, 멱零성, 가해성에 대해 각각 테스트 균형 정확도 1.000, 0.856, 0.875를 달성했다. 모든 과제에 동일한 계산 프레임워크를 사용했음에도, 서로 다른 대수적 성질에 대해 최적인 GNN 아키텍처가 달랐으며, 이는 어떤 성질을 학습하는 데 필요한 표현 복잡도가 그 성질의 기저 대수 구조에 따라 달라짐을 시사한다. 이 결과는 GNN이 Cayley 그래프 표현으로부터 여러 대수적 성질을 직접 효과적으로 학습할 수 있으며, 보지 못한 군족에 대해서도 강한 일반화를 보임을 보여준다. 더 넓게 보면, 제안된 프레임워크는 그래프 기반 머신러닝을 이용해 유한군의 대수적 성질을 연구하기 위한 계산 방법론을 확립한다.

arXiv:2607.13796v1cs.IT

CAS I: 기하학적 코딩 정리

CAS I: A Geometric Coding Theorem

이 논문은 대칭 군(symmetry group) 설정에서 고전 코딩 정리(Coding Theorem)의 직접적인 유사물을 확립한다. 우리는 이진 문자열 집합 위의 계산 가능한 쌍사(bijection)를 대칭(symmetry)이라 부르고, 문자열의 대칭 사전확률(symmetry prior)을 주어진 군에서 무작위로 선택된 대칭이 그 문자열을 유일한 고정점(unique fixed point)으로 갖는 확률로 정의한다. 우리는 고정점-수축 가능(fix-retractable)한 대칭 군, 즉 모든 문자열에 대해 격리 대칭(isolating symmetry)을 선택하는 계산 가능한 단면(section)을 허용하는 군에 대해, 대칭 사전확률이 보편적 하반계산가능 준측도(universal lower semi-computable semi-measure)임을 보인다. 이 경우 기하학적 코딩 정리(Geometric Coding Theorem)가 성립한다. 우리는 또한 G의 부분군과 이진 문자열 부분집합 사이의 갈루아(Galois) 연결을 발전시켜 닫힌 점(closed points)과 극대 닫힌 부분군(maximal closed subgroups)을 특성화하고, 밀집 부분군(dense subgroups)의 결합 반 격格(join-semilattice)를 탐구한다. 우리의 결과는 알고리즘 정보 이론(algorithmic information theory)과 군론(group theory)을 통합하고 대칭 유도 복잡도 측도(symmetry-induced complexity measures)를 연구하기 위한 틀을 제공한다. 이 논문은 계산 알고리즘 통계(Computational Algorithmic Statistics, CAS) 시리즈의 첫 번째 편이다.

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:2606.07619v2cs.LG

유한군의 가역성 예측을 위한 그래프 신경망

Graph Neural Networks for Predicting Solvability of Finite Groups

우리는 가역성에 따른 유한군 분류를 위한 그래프 신경망(GNN) 프레임워크를 제시한다. 케일리 그래프(CG)를 포함한 유한군과 연관된 그래프 표현을 사용하여, 제안된 모델은 구조적 그래프 정보만으로 가역군과 비가역군을 구별하도록 학습된다. 이 프레임워크는 군론에서 나타나는 대수적 성질을 GNN이 어느 정도까지 학습할 수 있는지 조사하기 위해, 학습 데이터셋 밖의 군들에 대해 평가된다. 더 넓게 보면, 본 연구는 대수적 구조와 유한군의 그래프 기반 기하학적 표현 사이의 관계를 탐구한다. 본 연구는 GNN이 그래프 기반 표현으로부터 유한군의 대수적 성질을 학습할 수 있는지에 대한 개념 증명(proof-of-concept) 조사를 목적으로 한다.

arXiv:2606.07254v1cs.LG

장기 비아벨 상태 추적을 위한 보류 전이-쌍 반증자

A Held-Out Transition-Pair Falsifier for Long-Horizon Non-Abelian State Tracking

상태 추적(state tracking)은 시퀀스 모델의 뚜렷한 한계를 드러낸다. 관련 신호는 종종 관측된 토큰의 요약이 아니라, 비가환(non-commutative) 변환을 통해 진화하는 순서 있는 잠재 상태이다. 유한 비아벨(non-Abelian) 군 추적을 위한 보류 전이-쌍(hold-out transition-pair) 반증자를 제안한다. 이 프로토콜은 학습 중 선택된 순서 있는 생성자(generator) 쌍을 금지하고, 평가에서 동일한 국소 패턴을 요구하여 하나의 직접적인 국소 전이 암기 경로를 차단한다. 통제된 $S_3 \times S_3$ 벤치마크에서, 길이 8 시퀀스만으로 학습된 투영 순환 상태 모델은 5개 시드에 걸쳐 최대 1,048,576 토큰까지의 평가 수평(horizon)에서 오류 없는 최종 상태 예측(수평당 완벽한 250/250)을 생성한다. 동일 프로토콜 하에서 bag, GRU, 단일 구성의 구조화된 상태-공간 모델(structured state-space model)을 포함한 매칭된 네이티브 readout 기준선은 바닥(floor) 수준 근처에 머문다. 투영-매칭된 GRU, 구조화된 SSM, 그리고 유사한 유한군 프로토타입 readout을 갖춘 bag 기준선도 동일 분할에서 우연(chance) 수준 근처에 머문다. 메커니즘 진단은 강한(hard) 투영이 낮은 준동형(homomorphism) 오류, 낮은 상태 일관성 drift, 그리고 자명하지 않은(non-trivial) 교환자(commutator) 분리와 일치하는 반면, 완화된(softened) 투영은 최종 상태 정확도를 붕괴시킴을 보여준다. 클린 분할 감사는 학습과 평가 파티션 간 축약 단어(reduced-word)의 문자 그대로 중복이 0이고 구조적 템플릿 중복도 0임을 검증한다. 이 증거는 일반적인 아키텍처 순위가 아니라 이 통제된 유한군 반증자에 한정된다. 그 범위 안에서, 명시적 투영 비가환 상태 합성은 장기 잠재 상태 추적을 위한 유용한 귀납적 바이어스로 작용한다.