PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.30489v1stat.ML

Factorizable Normalizing Flows for parameter-dependent density morphing

Factorizable Normalizing Flows(FNF)는 물리학 등 과학 분야에서 연속적인 파라미터에 따라 확률 밀도가 변형되는 문제를 다루기 위해, 기준 분포를 위한 고정 플로우와 파라미터에 대해 다항식이며 인수분해(factorized)된 학습 가능 변환을 결합한 구조를 제안한다. 각 파라미터의 효과를 독립적으로 학습하고 추론 시 합산으로 결합함으로써 결합 파라미터 공간의 지수적 탐색 없이 선형 확장성과 해석 가능성을 유지하며, 고에너지 물리학의 비구간(unbinned) 우도 피팅에 직접 적용 가능함을 실험으로 검증했다.

arXiv:2606.20437v1hep-ex

HEPTv2: 대전 입자 재구성을 위한 엔드-투-엔드 효율적 포인트 트랜스포머

HEPTv2: End-to-End Efficient Point Transformer for Charged Particle Reconstruction

대전 입자 추적(tracking) -- 희소한 검출기 측정값으로부터 궤적을 재구성하는 것 -- 은 기본적인 고에너지 물리학 추론(inference) 문제이자 극단적인 조합적 모호성(combinatorial ambiguity) 하에서의 학습을 위한 전형적인 예시입니다. 고휘도 대형 하드론 충돌기(HL-LHC)에서는 전례 없는 충돌 밀도에도 불구하고 추적(tracking)이 정확하고 효율적으로 유지되어야 합니다. 그래프 신경망(GNN)은 강력한 성능을 보이지만 그래프 구성 및 처리에 따른 상당한 비용이 발생하며, 트랜스포머(transformer) 기반 접근 방식은 엔드-투-엔드 최적화를 방해하는 보조 단계에 의존합니다. 이를 해결하기 위해, 우리는 검출기 히트(hits)로부터 트랙을 하나의 학습 가능한 파이프라인에서 재구성하는 엔드-투-엔드 포인트 트랜스포머(transformer) 아키텍처인 HEPTv2를 제시합니다. HEPTv2는 그래프 빌딩, 클러스터링, 또는 필터링 없이 완전한 궤적을 예측하는 트랙 디코더와 지역성 인식 포인트 인코더를 결합합니다. 인코더는 효율적인 로컬 어텐션(attention)을 가능하게 하면서 추적(tracking) 관련 기하학을 보존하기 위해 검출기 좌표 공간에서 지역성 민감 해싱(LSH)을 사용합니다. 디코더는 결합된 인코더-디코더 감독 하에서 섹터화된 디코딩과 직접적인 히트-투-트랙(hit-to-track) 예측을 통해 모호성을 해결하여, 전체 파이프라인이 엔드-투-엔드로 최적화될 수 있도록 합니다. TrackML 데이터셋에서 HEPTv2는 0.8%의 가짜 비율(fake rate)에서 98.6%의 이중 과반수 추적 효율을 달성했으며, NVIDIA A100 GPU에서 이벤트당 약 15ms의 추론(inference) 시간과 0.4GB의 피크 메모리만을 필요로 합니다. 최대 $5\times10^5$ 개의 히트(hits)를 포함하는 이벤트의 경우 지연 시간과 메모리 사용량은 거의 선형적으로 증가합니다. HEPTv2는 정확도-지연 시간 트레이드오프(trade-off)에서 새로운 최첨단(SOTA)을 확립했으며, 가장 강력한 기존 트랜스포머(transformer) 대비 효율성을 4.5%, 최적화된 그래프 기반 파이프라인 대비 1.1--2.2% 향상시키는 동시에 지연 시간을 각각 7배, 38--52배 단축했습니다. 이러한 결과는 엔드-투-엔드 트랜스포머(transformer)가 HL-LHC에서 실시간 입자 재구성에 필요한 정확도와 효율성을 제공할 수 있음을 보여줍니다.

arXiv:2511.01352v2cs.LG

MiniFool -- 심층 신경망에서의 물리적 제약을 고려한 최소화 기반 적대적 공격

MiniFool -- Physics-Constraint-Aware Minimizer-Based Adversarial Attacks in Deep Neural Networks

본 논문에서는 입자 및 천체입자 물리학에서 신경망 기반 분류(classification) 작업을 테스트하기 위해 물리학적 영감을 받은 적대적 공격을 구현하는 새로운 알고리즘인 MiniFool을 제시합니다. 우리는 처음에 아이스큐브 중성미자 관측소(IceCube Neutrino Observatory)에서 천체물리학적 타우 중성미자를 탐색하기 위해 이 알고리즘을 개발했지만, 다른 과학 분야의 추가 데이터에도 적용하여 그 범용성을 입증했습니다. 여기서 우리는 잘 알려진 MNIST 데이터셋과 대형 강입자 충돌기(Large Hadron Collider)의 CMS 실험에서 나온 공개 데이터(Open Data)에 이 알고리즘을 적용합니다. 이 알고리즘은 $χ^2$ 기반 검정 통계량과 원하는 목표 점수로부터의 편차를 결합한 비용 함수를 최소화하는 것을 기반으로 합니다. 검정 통계량은 실험적 불확실성을 바탕으로 데이터에 적용된 섭동의 확률을 정량화합니다. 우리가 연구한 사용 사례에서, 분류 결과가 뒤집힐 가능도(likelihood)는 초기에 올바르게 분류된 사건과 잘못 분류된 사건 모두에 대해 다르다는 것을 발견했습니다. 실험적 불확실성을 조정하는 공격 매개변수(parameter)의 함수로서 분류의 변화를 테스트할 때, 네트워크 결정의 강건성을 정량화할 수 있습니다. 또한, 이를 통해 레이블이 없는 실험 데이터의 분류 강건성을 테스트할 수 있습니다.