PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2605.10018v2cs.LG

순차적 의사결정에서 기전적 사전 분포의 가치

The Value of Mechanistic Priors in Sequential Decision Making

물리적 사전 분포(prior)와 학습된 잔차(residual)를 결합한 하이브리드 기전 모델(hybrid mechanistic model)은 우수한 결정을 내리는 데 필요한 데이터를 줄여줄 것으로 기대되지만, 이를 검증할 수 있는 계산 가능한 기준이 존재하지 않았습니다. 본 연구에서는 점근적(asymptotic) 영역과 번인(burn-in) 영역 모두에서 순차적 의사결정(sequential decision-making) 시 기전적 사전 분포가 갖는 가치를 규명합니다. 이를 정형화하기 위해 모델의 권장 정책 $\hatπ$와 실제 최적 정책 $π^*$ 사이의 상호정보량(mutual information)이자 중심화된 점유율 가중 바이어스를 통해 경계가 설정되는 '모델의 기전적 정보(mechanistic information)'를 도입합니다. 점근적 영역(큰 $N$)에서는 일치된 경계(matched bounds)를 통해 베이지안 후회(Bayesian regret)가 잔차 엔트로피 $H_{\mathrm{mech}}$에 비례하여 조정됨을 보이며, 정보가 없는(uninformed) 기준선 대비 $H(μ)/H_{\mathrm{mech}}$의 이론적 표본 복잡도 감소를 달성함을 밝힙니다. 나아가 계산 가능한 사전 시험(pre-trial) 모델 검증서(certificate)를 제공합니다. 이와 상호보완적으로, 임상적으로 유의미한 번인 영역(작은 $N$)에서는 확신을 가진 잘못된 사전 분포로 인해 발생하는 페널티의 하한(lower bound)을 확립합니다. 기 발표된 FOLFOX 약동학을 따르는 구조의 예시적인 컴퓨터 시뮬레이션(in-silico) 5-플루오로우라실(5-FU) 화학요법 플랜트에서 점근적 경계와 번인 경계를 모두 실증합니다. 하이브리드 사전 분포는 표준 체표면적(BSA) 기반 투여 대비 $1.79\times$, 정보가 없는 학습자 대비 $1.85\times$ 누적 후회를 감소시키며, 시험된 모든 보정 바이어스 하에서 두 방식 모두보다 낮은 후회를 유지합니다. 마지막으로, 분포 변화(distribution shift)에 민감한 사전 분포는 작은 분포 변화 하에서도 기전적 정보의 절반을 잃을 수 있음을 보여줌으로써, 안전성이 중요한(safety-critical) 응용 분야에서 물리적으로 기반한 사전 분포의 필요성을 제시합니다.

arXiv:2606.12658v1cs.LG

항암제 약동학을 위한 Physics-Informed Neural Networks: 임상 추정기 벤치마킹과 매개변수 식별 가능성 드러내기

Physics-Informed Neural Networks for Chemotherapy Pharmacokinetics: Benchmarking the Clinical Estimator and Exposing Parameter Identifiability

항암제 약동학(chemotherapy pharmacokinetics)에서 Physics-Informed Neural Networks(PINNs)는 기존 임상 추정기(NLS)와 비교하여 선형 문제에서는 유사한 성능을 보이며, 비선형 문제에서는 매개변수 식별 가능성(parameter identifiability)을 드러내고 희소한 조직 관측치를 통해 매개변수를 복구할 수 있음을 입증했다.