PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.28380v1cs.NE

유전체 병목을 통한 모듈형 저장소 증류

Distilling a Modular Reservoir Through a Genomic Bottleneck

생물학적 신경망의 복잡한 구조는 대부분 발달 과정에서 나타나며, 게놈에 인코딩된 비교적 압축된 청사진에 의해 안내된다. 이 디코딩 과정에서 나타나는 연결성은 구조가 풍부하며, 이미 태어날 때부터 유기체에 기능적 모듈을 갖추게 한다. 이 초기 구조는 다양한 가소성 메커니즘을 통해 평생의 경험에 의해 점진적으로 정제되고 파인튜닝될 수 있는 스캐폴드 역할을 한다. 진화적 학습 방식과 발달적 학습 방식 간의 이러한 상호작용에서 영감을 얻어, 우리는 하이퍼네트워크를 사용하여 모듈형 저장소(reservoir)의 연결성을 생성하는 압축된 생성 과정을 학습한다. 우리는 커리큘럼 기반 메타 학습과 모듈형 저장소 컴퓨팅의 결합이 최소한의 학습과 강건성에 대한 양보 없이 어려운 시계열 과제를 해결하는 희소 순환 네트워크를 생성할 수 있음을 보인다.

arXiv:2606.26913v1cs.GR

하이퍼네트워크를 이용한 신경 텍스처 압축

Neural Texture Compression using Hypernetworks

최근 신경 텍스처 압축 연구는 물리 기반 셰이딩 모델의 입력을 재현하기 위해 셰이딩 과정에서 실시간으로 디코딩할 수 있는 소규모 재질별 텍스처 표현—잠재 텍스처와 소규모 다층 퍼셉트론(MLP) 디코더로 구성—을 학습할 수 있음을 보였다. 그러나 기존 방법은 주어진 MLP와 잠재 구성에 대해 재질마다 그래디언트 하강 최적화를 수행해야 한다. 본 연구에서는 잠재 특징과 MLP의 가중치 및 편향을 모두 출력하는 단일 하이퍼네트워크를 학습한다. 해 공간은 고차원이지만, 이 접근법은 현재 기준 신경 텍스처 압축기와 품질 면에서 유사한 결과를 낸다. 또한 이 접근법을 확장하여 여러 디코더를 한 번에 추론하거나 초해상화(super-resolution)를 학습하는 디코더를 생성할 수 있게 한다.