PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.28413v1cs.LG

메시 인텔리전스를 위한 리퀴드 기질의 필요성에 관하여

On the Necessity of a Liquid Substrate for Mesh Intelligence

자율 에이전트들의 메시(mesh)에는 중심이 없다: 공유 클록도, 공유 모델도, 데이터를 수집하거나 재학습을 수행할 코디네이터도 존재하지 않는다. 메시의 역량은 각 에이전트가 피어들이 내보내는 투영(projection)을 단일 내부 상태로 접합(fold)하는 데 달려 있으며, 이는 비정기적이고 비예약적인 시간에 도착하는 관측으로부터 온라인으로 이루어지고, 가중치를 재학습할 수 없는 기질(substrate) 위에서 수행된다. 이 제약 조건들 각각은 단독으로는 다룰 수 있지만, 세 가지를 동시에 최적으로 접합하는 것은 불가능하다. 우리는 그러한 기질이 무엇이어야 하는지를 묻고, 비정기적·외생적 시간에 관측되는 자기진화 잠재변수(self-evolving latent) 모델로부터 두 가지 필요조건을 증명한다. 잠재변수가 변화하기 때문에 그 최적 추정량은 시간 변동적이며, 적응적 타임스케일이 필요하고 모든 고정 이득 필터는 엄격히 준최적(suboptimal)이다. 그리고 도착이 클록-프리(clock-free)이기 때문에 최적 추정치는 도착 간 경과 시간에 의존하는데, 이를 갭-블라인드(gap-blind) 네트워크는 어떤 너비나 깊이에서도 복원하지 못한다. 이 두 번째 조건은 용량과 무관하다: 스케일은 누락된 의존성을 대체할 수 없다. 두 조건은 연속시간 리퀴드(liquid) 클래스에서 교차한다. LSTM은 첫 번째 조건을 만족하고, 고정 연속시간 필터는 두 번째 조건을 만족하며, 다중 타임스케일 리퀴드 네트워크는 두 조건 모두를 만족한다. 합성 실험은 각각을 확인한다: 네트워크는 타임스케일을 달성하며, 분리(separation)는 정확하게 계산된다. 이 특성화는 필요조건이지 충분조건이 아니며, 고정 가중치 기질에 구속된다: 재학습이 자유로운 네트워크는 다른 수단으로 해당 클래스에 도달한다. 에이전트별로 증명된 필요성은 메시의 모든 에이전트에 구속되며, 이는 메시 인텔리전스에 대한 구조적 조건이다.

arXiv:2606.19579v1cs.SD

FlowFake: 오디오 딥페이크 탐지를 위한 액체 네트워크

FlowFake: Liquid Networks for Audio Deepfake Detection

신경망 기반 텍스트 음성 변환 및 보이스 클로닝 시스템에 의해 생성된 오디오 딥페이크는 대규모 화자 확인과 공론을 위협합니다. 핵심 과제는 데이터셋 간 일반화입니다. 즉, 하나의 합성 파이프라인에서 학습된 탐지기는 보지 못한 위조 데이터에서 붕괴합니다. 우리는 이러한 실패가 주로 다중 시간 척도 궤적 이상치인 구조적 합성 음성 인공물 때문이라고 주장합니다. 모든 기존 탐지기는 고정 윈도우 프레임 통계를 집계하지만, 이는 아키텍처와 신호 간의 정렬을 어긋나게 합니다. 우리는 FlowFake를 제안합니다. 이는 학습된 상미분 방정식(ODE)을 통해 은닉 상태가 진화하는 Liquid Time-Constant (LTC) 아키텍처로, 뉴런별 적응형 시간 상수를 통해 스펙트럼(10ms) 및 운율(2s) 단서를 동시에 해결합니다. 단 34K 매개변수로 FlowFake는 형식적 BIBO 안정성과 O(dt^4) 적분 오차를 달성합니다. 4개 데이터셋 교차 도메인 벤치마크(ASVspoof2019-LA, FakeOrReal, InTheWild, MLAAD)에서 FlowFake는 FakeOrReal에서만 학습되었을 때 ASVspoof2019에서 75.29%에 도달하고, MLAAD에서만 학습되었을 때 79.97%에 도달합니다. 이는 평가된 모든 쌍에서 RawGAT-ST 및 Whisper-DF를 능가하며, 매개변수 수의 0.01%로 300배 더 큰 SSL Wav2vec2와 대등한 성능을 보입니다. 소스 코드는 다음에서 확인할 수 있습니다: https://github.com/GhostRider2023/FlowFake