PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.20035v1cs.CV

PU-UNet: 의료 이미지 분할을 위한 안정적인 곱셈적 상호작용

PU-UNet: Stable Multiplicative Interactions for Medical Image Segmentation

많은 밀집 예측(dense prediction) 네트워크는 가산적 특징 변환에 의존하며, 고차 특징 상호작용은 암묵적으로만 모델링한다. Product unit은 곱셈적 특징 모델링을 위한 명시적 메커니즘을 제공하지만, 로그-지수(logarithmic--exponential) 형식은 수치적 불안정성을 유발할 수 있어 딥 밀집 예측 네트워크에서의 사용이 제한되어 왔다. 본 연구에서는 Product-Unit U-Net(PU-UNet)를 제안한다. 이는 의료 이미지 분할을 위해 안정적인 product-unit 잔차 블록을 풍부한 저해상도 단계에 통합한 잔차 U-Net이다. 제안된 형식은 부드러운 양수 매핑과 로그 영역 클리핑을 결합하여, 무시할 만한 계산 오버헤드로 안정적인 곱셈적 특징 학습을 가능하게 한다. ISIC 2018, Kvasir-SEG, BUSI에서 PU-UNet은 각각 Dice 점수 0.942, 0.959, 최대 0.925를 달성한다. 동일 조건의 Residual U-Net 기준선과 비교하면, PU-UNet은 파라미터, FLOPs, 추론 지연시간을 거의 동일하게 유지하면서 Dice와 IoU를 일관되게 개선하며, 정상 BUSI 사례에서 이미지 수준 false-positive 비율을 0.077에서 0으로 줄인다. Ablation 연구는 이러한 향상이 product-unit 상호작용과 관련되어 있으며, 저해상도 배치에서 가장 강하고, 제안된 안정화 설계의 이점을 받는다고 시사한다. 이러한 결과는 안정적인 product-unit 잔차 학습이 명시적 곱셈적 상호작용으로 U-Net 스타일 분할 네트워크를 향상시키는 효과적인 방법이 될 수 있음을 시사한다.

arXiv:2606.06866v1cs.LG

게이트 순환 유닛 내의 곱 유닛이 핵 질량 예측을 향상시킵니다

Product units in gated recurrent units improve nuclear-mass prediction

머신러닝을 이용한 원자핵 질량 예측은 이론적 모델을 보완하고 핵도표의 잘 알려지지 않은 영역에 대한 탐험을 발전시킬 수 있습니다. 우리는 장기 의존성을 활용하여 핵 질량 예측에서 경쟁력 있는 성능을 입증한 게이트 순환 유닛(GRU)에 기반한 머신러닝 기법을 제안합니다. 순환 유닛 내에 곱셈 상호작용과 곱 유닛 변환을 통합함으로써, 핵 질량 예측에서 상당한 향상을 보고합니다. 진폭과 위상 역학을 동시에 포착하기 위해 계산은 복소수 영역에서 수행됩니다. 원자 질량 평가(AME2016 및 AME2020)에 기반한 보간 및 시간적 외삽 작업에서, 복소수 덧셈-곱셈 곱 유닛 게이트 순환 유닛(AM-PU-GRU) 모델은 보간 RMSE 0.227 $\pm$ 0.004 MeV 및 외삽 RMSE 0.179 $\pm$ 0.015 MeV로 가장 낮은 예측 오차를 일관되게 달성합니다. 이러한 결과는 다른 최첨단 머신러닝 모델을 능가할 뿐만 아니라 실수값 GRU 기준선 및 곱 유닛 제거 변형보다 우수하며, WS4 및 SEMF를 포함한 다양한 이론적 사전 지식에 대해 견고성을 유지합니다. 우리의 연구 결과는 복소수값 곱 유닛 순환 네트워크를 시퀀스 기반 핵 질량 예측을 위한 새로운 벤치마크로 확립합니다.