PyTorchKR Papers

최신 논문

총 5편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.20742v1cs.LG

신뢰 가능한 멀티-오믹스 멀티모달 융합을 위한 적응형 신뢰도 가중 확장

Adaptive Confidence-weighted Expansion for Trustworthy Multi-Omics Multimodal Fusion

멀티모달 학습은 의료 예후와 같은 응용에서 예측 성능을 향상시키는 견고한 접근법이다. 그러나 멀티모달 학습을 사용하는 모델의 임상 적용 가능성은 노이즈가 많거나 정보가 부족한 데이터 스트림에서의 낮은 성능으로 인해 제약을 받는다. 현재의 융합 접근법은 데이터 품질을 동적으로 평가하고 최종 예측에 대한 신뢰 가능한 신뢰도 점수를 제공하는 견고한 메커니즘을 종종 갖추지 못한다. 이는 안전성이 중요한 환경에서의 배포를 꺼리게 만든다. 이러한 한계를 해결하기 위해, 우리는 멀티모달 융합 모델의 신뢰성을 향상시키는 새로운 프레임워크인 적응형 신뢰도 가중 확장(Adaptive Confidence-weighted Expansion, ACE)을 제안한다. ACE는 먼저 모달리티 내 상관관계로부터 새로운 보완적 모달리티를 생성하여 멀티모달 공간을 확장한다. 그런 다음 (1) 융합 전에 모든 모달리티를 신뢰성에 따라 적응적으로 재가중하고 (2) 융합된 최종 결정에 대한 전역 신뢰 점수를 추정하는 이중 수준의 신뢰도 메커니즘을 사용한다. ACE를 평가하기 위해, 우리는 네 가지 도전적인 멀티-오믹스 데이터셋(BRCA, KIPAN, LGG, ROSMAP)을 사용했다. ACE는 분류 성능과 신뢰도 보정 모두에서 기존 최신 알고리즘을 크게 능가한다. 우리의 프레임워크는 더 안정적이고 견고한 데이터 융합 방법을 제공하여, 고위험 문제 해결에 멀티모달 학습의 활용을 촉진한다.

arXiv:2607.13220v1cs.AI

네트워크드 인텔리전스: 인간-AI 팀 과학을 위한 능동적 공유 컨텍스트 그래프

Networked Intelligence: Active Shared Context Graphs for Human-AI Team Science

대부분의 AI-for-science 시스템은 더 나은 모델, 더 큰 컨텍스트 윈도우, 장기 지평 에이전트(agentic) 실행, 또는 단일 주요 사용자와 협력하는 디지털 공동 과학자(digital co-scientist)를 통해 단일 추론 과정의 스케일링(scaling)에 집중한다. 그러나 도전적인 과학 문제는 단일 추론자(reasoner)만으로 해결되는 경우가 드물다. 이러한 문제는 서로 다른 사전(prior), 실험적 배경, 암묵적 지식(tacit knowledge), 도메인 훈련 직관을 가져오는 팀원들에 의해 해결된다. 따라서 열린 문제는 모델을 어떻게 스케일링할 것인가뿐만 아니라, 네트워크드 인텔리전스(networked intelligence)를 어떻게 육성할 것인가이다: 한 컨텍스트에서 생성된 결과나 가설이 이를 행동으로 옮길 수 있는 다른 사람, 에이전트, 기기 또는 로봇에 도달하도록 인간과 AI 시스템 간 연결을 스케일링하는 것이다. 우리는 연구자와 AI 에이전트를 다중 사용자 공동 과학자(multi-user co-scientist)로 자동 연결하는 능동적 공유 작업 공간(active shared workspace)인 Mycelium을 소개한다. 인간 사용자와 에이전트가 작업하는 동안 시스템은 중요한 관찰과 가설을 포착하고, 이들이 팀의 진화하는 모델과 어떻게 관련되는지 추적하며, 다음 결정에 정보를 제공할 수 있는 사람이나 에이전트에게 이를 라우팅한다. 우리는 Mycelium을 첫 실증 테스트인 생물학적 다중 오믹스(multi-omics) 캠페인에서 평가한다. 이 캠페인에서 라우팅된 공유 컨텍스트는 지역적 분석적 발견을 교차 전문가 기전적(mechanistic) 제약으로, 궁극적으로는 실험 설계로 전환했다. 또한 우리는 네트워크드 인텔리전스에 분산된 과학적 컨텍스트에 대한 희소 조건부 연산(sparse conditional computation)으로서의 계산적 설명을 제시한다. 이 설명은 스케일링된 독립형 에이전트가 네트워크와 동등할 수 있는 경우와, 독립적 전문성과 병합 불가능한(non-mergeable) 컨텍스트가 네트워크를 환원 불가능(irreducible)하게 만드는 경우를 구분한다.

arXiv:2607.04527v2stat.ML

Causal ASCEND: 고차원 멀티오믹스 데이터에서의 확장 가능한 2계층 인과 발견

Causal ASCEND: Scalable Two-tier Causal Discovery on High Dimensional Multi-omics Data

고차원 멀티오믹스 데이터에서의 유전자 조절 네트워크(GRN) 추론 문제를 해결하기 위해, ASCEND은 알려진 2계층 생물학적 구조를 활용한 분할-정복 방식의 인과 발견(causal discovery) 프레임워크로, 각 하위 변수에 대해 동적으로 갱신되는 조상 조건화 집합을 유지하여 조건부 독립성 검정 수를 대폭 줄이고 다항 시간 복잡도를 달성한다. 시뮬레이션 및 실제 생물학적 데이터 실험에서 기존 GRN 추론 방법 대비 인과 정밀도와 계산 효율성 모두에서 우수한 성능을 보였으며, GENIE3 대비 최대 870배의 속도 향상과 F1 점수 64% 상대적 개선을 달성했다.

arXiv:2606.21174v1cs.CV

HERO: 다중 과업 유방암 분석을 위한 오믹스 기반 가설 주도 증거 검색

HERO: Hypothesis-Driven Evidence Retrieval from Omics for Multi-Task Breast Cancer Analysis

매칭된 다중 오믹스(multi-omics)는 WSI 기반 바이오마커 및 예후 예측을 개선할 수 있지만, 기존 파이프라인 대부분은 오믹스를 명시적 검색 제약이 아니라 병렬 특징(feature) 스트림이나 텍스트 문맥으로 사용한다. HERO는 관측된 오믹스가 검증 가능한 형태학(morphology) 가설이 될 수 있는지 묻는다. 희소 경로-형태학 사전(prior)이 DNA 메틸화와 miRNA를 K차원 의도 벡터 m(K=16)으로 매핑하고, 구조화된 10개 캡션에 대한 TF-IDF 검색이 종점 관련 영역을 선택하며, 코사인 게이트 c=cos(m,v)는 c<τc일 때 결정론적 결손 주도(deficit driven) 복구를 트리거한다. 이 폐루프(closed-loop) 설계는 VLM 호출을 제한하고, 임베딩 기반 의미 매칭에 대한 의존을 줄이며, 모든 검색 및 검증 단계를 어휘적으로 감사(auditable) 가능하게 만든다. TCGA-BRCA(930개 WSI, 환자 수준 5-fold 교차 검증)에서 HERO는 ER, PR, HER2, 아형(subtype), 위험 예측 전반에 걸쳐 새로운 최고 성능(state-of-the-art)을 달성하며, 다중모달 융합 및 VLM 기반 베이스라인을 모두 능가한다.

arXiv:2606.12362v1cs.LG

결측 모달리티가 있는 멀티모달 학습을 위한 잠재 세계 복구

Latent World Recovery for Multimodal Learning with Missing Modalities

우리는 결측 모달리티(missing modalities)가 존재하는 상황에서의 멀티모달 학습을 연구합니다. 이는 의사결정이 필요한 시점에 이질적인 모달리티가 부분적으로만 사용 가능한 경우가 많은 생명과학 응용 분야에서 특히 동기를 얻었습니다. 우리는 잠재 세계 복구(Latent World Recovery, LWR)를 제안합니다. 이 프레임워크는 두 가지 핵심 아이디어에 기반합니다: (i) 서로 다른 모달리티의 모달리티 특화 임베딩(embedding)들이 공유된 잠재 공간에서 정렬되며, (ii) 학습(training) 및 추론(inference) 시점에 실제로 사용 가능한 모달리티의 임베딩만 융합하여 통합된 표현(representation)을 구성합니다. 결측 모달리티를 대체(imputation)하거나 고정된 모달리티 세트를 요구하는 대신, LWR은 각 모달리티를 기저 잠재 상태에 대한 부분적 인지(perception)로 간주하고 관찰된 모달리티로부터 직접 가용성 인지 표현 학습을 수행합니다. 이러한 이웃 기반 잠재 정렬과 가용성 인지 모달리티 융합의 결합은 결측 모달리티의 명시적 재구성으로 인한 오류 전파를 피하면서, 부분적 관찰 하에서 견고한 멀티모달 예측을 가능하게 합니다. 우리는 제안된 프레임워크를 실제 불완전한 멀티-오믹스(multi-omics) 벤치마크에서 평가하고, 암 표현형 분류(classification) 및 생존 예측과 같은 하위 작업에 효과적인 접근 방식을 제공함을 입증합니다.