PyTorchKR Papers

최신 논문

총 10편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.10208v1cs.LG

농업 분야 기상 매개변수 예측을 위한 심층 학습 모델의 탐색적 분석

Exploratory Analysis of Deep Learning Models for Forecasting Meteorological Parameters in the Agricultural Sector

정확한 기상 예측은 농업 계획, 관개 관리, 환경 의사결정 지원에 필수적이다. 본 연구는 기준 증발산량($ET_0$), 수증기압 포차(VPD), 풍속, 풍향의 사인 및 코사인 성분에 대한 다변량 예측을 위해 순환 및 하이브리드 심층 학습 아키텍처를 비교 평가한다. 분석에는 OpenMeteo Historical Weather API를 통해 ERA5에서 수집한 그리스 이오아니나 지역의 2011년 1월부터 2026년 4월까지 총 134,376개의 시간별 관측값이 활용된다. 단층 및 다층 GRU와 LSTM 네트워크를 하이브리드 1D-CNN-GRU 및 1D-CNN-LSTM 모델과 비교하며, 두 가지 예측 과제—24시간 익일 예측과 168시간 주간 예측—를 수행한다. 성능은 정규화 평균제곱근오차, 결정계수, 복합 가중 지수 점수(WQS)를 사용하여 평가한다. 순수 순환 모델 중 가장 효과적인 모델은 24시간 예측 구간에서 WQS 0.816755를 기록한 64-유닛 LSTM이며, 168시간 예측 구간에서는 WQS 0.779465를 기록한 1024-유닛 GRU이다. 하이브리드 CNN-GRU 모델은 24시간 및 168시간 예측 구간에서 각각 0.827535와 0.782863으로 전체 최고 점수를 달성하였으나 LSTM 모델에 비해 유닛 수가 더 많은 반면, CNN-LSTM 모델은 파라미터 수를 크게 줄이면서도 거의 동일한 결과를 산출한다. 대응하는 순환 기준 모델과 비교하였을 때, 하이브리드 모델은 24시간 구간에서 WQS를 1.22--1.63\%, 168시간 구간에서 0.44--0.45\% 향상시키며, 합성곱 특징 추출이 단기 예측에 더욱 유익함을 시사한다.

arXiv:2607.08316v1cs.AI

INTENT: 교차로 시나리오에서 차량 의도 예측을 위한 LSTM 프레임워크 및 포괄적 절제 분석

INTENT: An LSTM Framework for Vehicle Intention Prediction in Intersection Scenarios with Comprehensive Ablation Analysis

LSTM 기반 INTENT 프레임워크를 제안하여 교차로에서 차량의 직진·좌회전·우회전 의도를 사건 발생 2초 전에 예측하며, InD 데이터셋에서 포괄적인 절제 연구(ablation study)를 통해 99.71%의 정확도를 달성하였다. 위치·헤딩·속도·가속도 등 11개 특징을 입력으로 사용하는 3층 LSTM 구조가 최적 성능을 보였으며, 양방향 LSTM이나 정규화 레이어 추가는 성능 개선으로 이어지지 않았다.

arXiv:2607.07957v1cs.AI

자폐 관련 자기자극적 손 특이행동의 시퀀스 기반 분류에서 프레임 레이트 효과 평가

Evaluating the Effect of Frame Rate in Sequence-Based Classification of Autism-Related Self-Stimulatory Hand Idiosyncrasies

LSTM와 GRU 시퀀스 모델을 SSBD 데이터셋에 적용해 자폐 관련 자기자극 행동을 영상에서 분류할 때, 15프레임 간격 샘플링에서 각각 97.5%와 98.75%의 정확도로 기존 CNN 기반 베이스라인(62~76%)을 크게 상회하였으며, I3D 전이학습 파이프라인에서는 업샘플링이 가장 핵심적인 데이터 증강 요소임을 절제 연구를 통해 확인하였다.

arXiv:2607.03217v1cs.LG

상류 유출량의 결합 분포가 분산 ML 모델의 하류 하천 유량 예측 불확실성을 결정한다

Joint distribution of upstream runoff governs downstream river-discharge prediction uncertainty in distributed ML models

분산형 머신러닝 수문 모델에서 확률적 하천 유량 예측을 위해 상류 유출의 결합 분포(joint distribution)를 독립적으로 샘플링하면 하류 앙상블의 분산이 심각하게 축소되는 문제를 분석하고, 일본을 사례로 분위수 매칭(quantile matching) 전략을 적용해 이 분산을 효과적으로 복원할 수 있음을 LSTM 기반 실험으로 실증하였다.

arXiv:2607.03003v1cs.CL

psytechlab at CLPsych 2026: 소셜 미디어 텍스트 분석을 위한 자연어 처리 방법 및 대규모 언어 모델 활용

psytechlab at CLPsych 2026: Utilising Natural Language Processing methods and Large Language Models for Social Media Text Analysis

소셜 미디어 게시물은 자동화된 분석 도구를 활용하여 정신 건강 상태와 사용자의 웰빙을 분석하는 데 풍부하고 가치 있는 데이터 소스입니다. 본 연구에서는 CLPsych Shared Task 2026에 참가하여 자기 상태(self-state) 및 웰빙 분석과 요약을 위해 장단기 기억(LSTM), BERT 기반 모델, 대규모 언어 모델(LLM)을 포함한 다양한 자연어 처리(NLP) 방법을 어떻게 활용했는지 소개합니다. 우리의 접근법은 요약 태스크에서 최상위권의 일관성(Consistency) 및 모순(Contradiction) 점수를 달성했으며, 나머지 태스크에서도 중간 수준의 결과를 기록했습니다. 이러한 정신 건강 상태 추정 시스템을 테스트하고 개발함으로써 정신 건강 지원 시스템 개선에 기여하였습니다. 코드는 https://github.com/psytechlab/CLPsych2026/ 에서 공개합니다.

arXiv:2607.04336v1cs.AI

심층 학습과 머신러닝을 활용한 FPS 게임의 서버 사이드 에임봇 탐지 안티치트 시스템

Server-side Anti-cheat in FPS games for Aimbot detection using Deep learning and Machine learning

현대 비디오 게임은 나날이 복잡해지고 있다. 이러한 현대 게임의 대부분은 멀티플레이어 1인칭 슈팅(FPS) 게임이다. FPS 게임의 인기가 높아짐에 따라 공정하고 즐거운 게임 환경을 위한 치팅 대응의 필요성도 강조되고 있다. 에임봇, 월핵, 스피드핵과 같은 치팅 기법을 사용하는 플레이어 수가 증가함에 따라, 치팅 도구를 사용하여 일반 플레이어에 비해 불공정한 이점을 취하는 플레이어를 탐지하는 방법이 필요하다. 본 시스템은 에임봇 치트 탐지에만 집중한다. 에임봇을 사용하는 플레이어는 일반적으로 게임의 다른 측면을 우선시하지 않는다. 일반 플레이어와 치팅 플레이어를 구별하기 위해, 조준 속도, 사격 횟수, 목표물까지의 거리 등의 시계열 데이터를 포함하는 특정 특징과 함께, 유틸리티 사용, 플레이어 이동, 기타 게임플레이 패턴 등의 행동 데이터를 식별한다. 이러한 특징들을 활용하여 'YAACS'라는 서버 사이드 에임봇 탐지 분류기를 구축한다. YAACS는 파서, 심층 학습 모델, 그리고 게임 서버와의 연동을 위해 설계된 중간 연결 유틸리티로 구성된다. 제안된 시스템은 128틱 시퀀스(Tick Delta Negative=56, Tick Delta Positive=24)로 학습된 밀집 레이어를 포함한 Stacked LSTM을 사용하여 88.6%의 분류 정확도와 0.97%의 위양성률을 달성하며, 96.2%의 더 높은 정확도를 보이지만 2.68%의 위양성률—최적 LSTM 구성 대비 2.76배 높은—을 가진 의사결정 트리 기준선을 능가한다. 이러한 결과는 FPS 치트 탐지에서 오탐지를 최소화하기 위해 시퀀스 모델링을 통한 시간적 문맥 통합이 중요함을 보여준다.

arXiv:2606.31532v1cs.AI

A time-series classification framework for individual-level absenteeism prediction under severe class imbalance

직원 결근 예측을 위해 과거 출근 이력 시퀀스에서 미래 결석 레이블을 분리하는 시계열 분류(TSC) 프레임워크를 제안하며, 극심한 클래스 불균형(결석 비율 약 2.31%) 환경에서 Binary Focal Loss(BFL)와 G-Mean 손실 함수의 그래디언트 동역학을 이론적으로 분석한다. LSTM-FCN 아키텍처가 가장 우수한 정밀도와 특이도를 달성했으며, 적절히 보정된 BFL(α≈0.023)이 자동 보정이 가능한 G-Mean과 유사하게 균형 정확도 0.888을 기록했다.

arXiv:2606.22662v1cs.LG

카오스 동역학계를 위한 LSTM 변형: Lorenz attractor에 대한 실증 연구

LSTM Variants for Chaotic Dynamical Systems: An Empirical Study on the Lorenz Attractor

Lorenz attractor와 같은 카오스 동역학계를 예측하는 것은 악명 높게 어렵다. 작은 수치 오차는 긴 자기회귀(autoregressive) 롤아웃 동안 기하급수적으로 증폭된다. 본 연구는 AI-DEEDS 2026 Chaotic Systems Challenge를 위해 7가지 순환 및 합성곱 아키텍처를 조사한다: vanilla LSTM, 가산적(additive) 어텐션이 있는 LSTM, Bidirectional LSTM(BiLSTM), Huber 손실로 학습한 BiLSTM, Temporal Convolutional Network(TCN), CNN front-end 뒤에 LSTM이 이어지는 구조, CNN front-end 뒤에 BiLSTM이 이어지는 구조. 모든 모델은 동일한 전처리, 시퀀스 길이, 롤아웃 절차를 공유하여 각 설계 선택의 기여를 분리한다. 챌린지는 예측을 0–100 척도로 채점하며, 높을수록 더 좋다. 리더보드 점수는 45.72에서 58.81 사이이며, Huber 손실로 학습한 BiLSTM이 가장 강한 구성이다. 두 가지 발견이 두드러진다: (i) 단방향 기준선에 가산적 어텐션을 추가하면 성능이 10점 이상 저하되었고, (ii) LSTM 또는 BiLSTM 앞에 CNN front-end를 붙이는 것은 도움이 되지 않았고 점수를 약간 떨어뜨렸다. 쌍(pair)별 RMSE 측정은 BiLSTM 계열이 더 어려운 쌍(6–7)에서 더 잘 일반화함을 확인하며, LSTM + Attention 모델은 해당 구간에서 붕괴한다(6번 쌍에서 RMSE 최대 8.94). 카오스 영역에서 양방향 맥락과 견고한(robust) 손실이 왜 도움이 되는 반면, 어텐션과 CNN front-end가 이 설정에서 실패하는 이유를 논의한다.

arXiv:2606.19026v1cs.LG

HRRR 예측 오차 예측을 위한 하이브리드 LSTM-Vision Transformer 아키텍처

A Hybrid LSTM--Vision Transformer Architecture for Predicting HRRR Forecast Errors

지표 관측의 시계열 학습과 뉴욕 주 메소넷 프로파일러 대기 프로파일을 결합한 하이브리드 LSTM-Vision Transformer(LSTM-ViT)로 HRRR의 강수량·10m 풍속·2m 기온 예측 오차를 예측하고, 기준 LSTM 대비 예측 오차 예측 능력이 향상되며 특히 짧은 선행 시간과 행성 경계층(PBL) 활동이 강한 구간에서 개선이 크다. 강수량 예측 오차에서는 대류 기반 오차 진화를 더 잘 포착하고 예측 기술이 약 2배 증가하여, 수직 대기 구조 정보가 운용 수치 예보(NWP)의 예측 오차 예측을 보완할 수 있음을 보인다.

arXiv:2606.11463v1cs.LG

LSTM 기반 재산보험 손해 준비금 설정의 구조적 변동 탐지: 기후 정보 기반 접근법

LSTM-Based Detection of Structural Breaks in Property Insurance Loss Reserving: A Climate-Informed Approach

정확한 손해 준비금 설정은 보험사의 지급 능력의 기초가 되지만, 가속화되는 기후 변화로 인한 재난은 전통적인 보험수리 방법이 의존하는 안정성 가정을 체계적으로 위반합니다. 본 백서는 Long Short Term Memory (LSTM) 신경망이 Chain Ladder, Bornhuetter Ferguson, Cape Cod 방법보다 이러한 구조적 변동을 더 빠르고 정확하게 탐지하고 적응할 수 있는지를 테스트하는 연구 프로그램을 제시합니다. 플로리다와 루이지애나의 15년 이상의 규제 개발 삼각형 데이터를 사용하며, 여기에 NOAA 허리케인 강도 지수와 해수면 온도를 보강하여, 우리는 재난 노출 연도의 준비금 정확도에서 15~20%의 목표 개선을 가설로 설정합니다. 이 임계값은 기존 신경망 준비금 설정 문헌과 여기서 개발된 형식적 수렴 결과 모두에 근거합니다. 실증적 검증을 넘어, 우리는 LSTM 구조적 변동 탐지를 확률적 용어로 정립하는 이론적 프레임워크를 개발하여, 테스트 기간 동안 재난 사건의 수가 제한적이라는 점을 보상하는 형식적 성능 보장을 제공합니다. 우리는 연구 설계, 방법론, 기대되는 기여, 그리고 한계점에 대한 솔직한 평가를 문서화합니다.