PyTorchKR Papers

최신 논문

총 18편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.24969v2cs.LG

Frequency Domain Reservoir Computing

While the quadratic sequence-length bottleneck of transformers has fueled a resurgence in recurrent models, effectively capturing complex dynamics requires architectures that balance efficient training with highly expressive latent states. Echo State Networks (ESNs) offer a compelling approach by utilizing fixed recurrent weights to circumvent backpropagation through time, enabling a closed-form training solution. However, achieving the expressivity needed for complex tasks demands large reservoirs, exposing an $\mathcal{O}(N^2)$ state-update bottleneck that prevents ESNs from matching the scale of contemporary recurrent models. To address this limitation, we introduce Frequency Domain Reservoir Computing (FRESCO), an ESN architecture operating entirely in the frequency domain while avoiding domain-shift overheads to achieve $\mathcal{O}(N)$ complexity for dense, non-linear updates via structured circulant recurrence. By employing a novel dimensional zero-padding input embedding, a packed frequency-domain readout, and a natively applied frequency-domain non-linearity, FRESCO drastically reduces computational costs and energy consumption of training and inference. Furthermore, FRESCO achieves competitive predictive performance on memory benchmarks, sequential classification, and multivariate long-horizon forecasting, offering a scalable and energy-efficient path forward for dense recurrent architectures.

arXiv:2607.23009v1cs.LG

조합 최적화 문제를 위한 동적 프로그래밍 계산 과정의 재활용: 리저voir 컴퓨팅 접근법

Recycling computational processes of dynamic programming for combinatorial optimization problems: a reservoir computing approach

이전에 계산된 결과를 재사용하는 것은 계산 비용을 줄이기 위한 오래된 원칙이지만, 이러한 재사용은 대체로 단일 문제의 계산에 국한되어 왔다. 동시에 풀리는 여러 문제 간에 계산 과정을 공유하는 것은 원칙적으로 가능하지만, 비자명한 교차 과제 관계를 활용하는 알고리즘을 설계하는 것은 수동으로 하기 어렵다. 여기서 우리는 머신러닝을 사용하여 그러한 알고리즘을 자동으로 발견한다. 구체적으로, 리저voir 컴퓨팅(reservoir computing)을 기반으로, 조합 최적화 문제에 대한 동적 프로그래밍이 기록한 계산 결과를 선형 회귀의 특징(feature)으로 사용하고, 이를 활용하여 다른 조합 최적화 계산을 보조하는 방법을 제안한다. 우리는 외판원 문제(traveling salesman problem)와 부분합 문제(subset sum problem)에서 이 접근법을 검증한다. 동적 프로그래밍 과정을 다중화(multiplexing)하면 일반적인 특징 대비 근사 정확도가 향상되고, 독립적으로 풀었을 때와 비교하여 계산 시간이 단축된다. 이 결과는 기존의 계산 설계와는 다른, 여러 과정이 중간 결과와 상태를 효율적으로 공유하고 재활용하는 새로운 형태의 계산을 시사한다.

arXiv:2607.22491v1cs.LG

국면 조건부 변동성 예측을 위한 Susceptible Reservoir 아키텍처

Susceptible Reservoir Architectures for Regime-Conditional Volatility Forecasting

변동성 예측은 지속성(persistence)과 측정 노이즈(measurement noise)에 의해 지배되어, 비선형 모델이 활용할 수 있는 잔차 구조가 제한적이다. 본 연구에서는 변동성 예측을 위한 reservoir 설계 원칙인 Susceptible Architectures(SUSA)와, 복소값 개방 사슬(open-chain) 및 주기적 reservoir와 국면 조건 전문가(regime-conditioned experts)에 기반한 두 가지 구체적 구현을 제안한다. 이는 평온(calm), 발현(onset), 회복(recovery), 지속적 스트레스(persistent-stress) 상태에 걸친 reservoir 특징을 해석한다. 또한 공통 AR-Ridge 앵커와 QLIKE 하에서 학습된 경계가 있는 잔차 보정을 유지하면서 Qiskit에서 개방계(open-system) $q$-qubit 대응 모델도 구현한다. 16개의 미국 주식 및 상장지수펀드(ETF) 시계열에 대해, 서로 겹치지 않는 세 개의 시간순 학습, 검증, 테스트 폴드, 12관측 입력 윈도우, 5관측 예측 구간(forecast horizon)을 사용하여 모델을 평가한다. 제안 모델은 GARCH와 경쟁력 있는 성능을 보이며, 특정 자산(IWM, XLP)에서 통계적으로 유의한 QLIKE 개선을 달성한다. 또한 모델의 예측은 HARQ 스타일 예측을 보완한다. 스택드 앙상블(stacked ensemble)은 가장 강한 구성 요소 대비 평균 QLIKE를 0.0116만큼 개선하며, 테스트 시나리오의 75%에서 우수한 성능을 보인다.

arXiv:2607.02608v2cs.AR

모델 프리 시간 스위치 프레임워크를 통한 전이 가능한 경량 뉴로모픽 컴퓨팅을 향하여

Towards transferable lightweight neuromorphic computing through a model-free temporal-switch framework

경량 뉴로모픽 컴퓨팅은 효율적인 AI를 위한 유망한 경로를 제공하며, 자원이 제한된 엣지 배포 환경에서 특히 이점이 크다. 그러나 기대 성능을 안정적으로 전이할 수 있는 확장 가능한 배포는 소자 간 편차(device-to-device variations)로 인해 오랫동안 저해되어 왔으며, 이는 새로운 소자마다 비용이 많이 드는 반복적인 재학습을 필요로 하여 실용적 이점을 약화시킨다. 이 문제를 해결하기 위해, 우리는 사후 학습 보정이나 조정 없이 직접 전이 성능을 향상시키는 모델 프리 시간 스위치(TS, temporal-switch) 프레임워크를 제안한다. TS 프레임워크는 학습 과정에서 더 광범위한 스펙트럼의 소자를 포함하는 방법론을 제공한다. 멤리스터 기반 저장소 컴퓨팅(reservoir computing)을 이용한 검증에서, 직접 전이된 판독(readout)만으로 미확인 소자에서 높은 성능을 가능하게 한다. 대표적인 Mackey-Glass 벤치마크에서 향상된 예측 성능을 달성하고, 구어 숫자 분류(spoken digit classification)에서 92.4%의 정확도를 기록한다. 그 효능은 서로 다른 멤리스터 계열 및 RC 구성에 걸쳐 검증된다. 이론적 분석은 그 효능의 기반이 되는 일반적인 계산 메커니즘을 밝힐 뿐만 아니라, 다른 물리적 플랫폼에 대한 잠재적 적용 가능성도 강조한다.

arXiv:2607.14520v1cond-mat.stat-mech

비평형 Langevin 컴퓨팅에서의 모멘트 분해 읽기와 리저버 다양성

Moment-Resolved Readout and Reservoir Diversity in Nonequilibrium Langevin Computing

Langevin dynamics 기반 비선형 열역학 컴퓨터는 열적 요동을 계산의 물리적 기질로 활용한다. 최근 연구는 4차 구속된 요동 자유도가 유한 관측 시간에서 비선형 함수 근사가 가능한 열역학 뉴런(thermodynamic neuron)으로 작용할 수 있음을 보여주었다. 여기서 우리는 이 패러다임을 평균만 사용하는 읽기(mean-only readout)에서 모멘트 분해 읽기(moment-resolved readout)로 확장한다. 각 구동 리저버를 첫 번째 모멘트만으로 표현하는 대신, 원소별 원시 다항 모멘트 \(\mathbb{E}[\bm{x}]\), \(\mathbb{E}[\bm{x}^{\odot 2}]\), \(\mathbb{E}[\bm{x}^{\odot 4}]\)로부터 응답 벡터를 구성한다. 이 관측량들은 변위(displacement)와 중심 형상(central-shape) 기여를 결합하며, 국소 구동 역학의 선형, 2차, 4차 항과 자연스럽게 정렬된다. 더 나아가 서로 다른 초기화와 학습 이력을 가진 세 개의 리저버가 공동 \(2304\)차원 응답 표현을 형성하는 이질적 다중-리저버 아키텍처를 도입한다. 고정된 MNIST \(60000/10000\) 재현 프로토콜 하에서, 특징 수준 융합(feature-level fusion)은 관측된 최고 정확도 \(9695/10000=96.95\%\)를 달성했으며, 이는 최강 단일-리저버 모델의 \(9682/10000=96.82\%\), 동일 가중치 로짓 평균의 \(9684/10000=96.84\%\)와 비교된다. 정확한 쌍체 McNemar 검정은 최강 단일 리저버 대비 통계적으로 유의한 개선을 입증하지 못했지만, ablation 및 wrong-set overlap 결과는 상보적인 분류 오류에 대한 시사적 증거를 제공한다. 이 결과는 유한 시간 Langevin 컴퓨팅을 위한 후보 설계 원칙으로서 고차 다항-모멘트 읽기와 리저버 이질성을 제시한다.

arXiv:2607.12840v1cs.ET

열 구동 초상자성체를 이용한 재현 가능한 리저버 컴퓨팅: 온도 민감도 제어

Reproducible Reservoir Computing with Thermally Driven Superparamagnets: Controlling Temperature Sensitivity

비전통적 컴퓨팅 시스템은 실용적 배포를 위해 실제 환경 조건에서 견고한 성능을 입증해야 한다. 우리는 최근 변형 유발 자기전기 결합으로 구동되는 초상자성 나노닷 앙상블을 초저에너지 소비 리저버 컴퓨팅 기질로 사용할 수 있는 유망한 후보로 제안했다. 그러나 이들 시스템의 동역학은 열 활성화 효과에 의해 지배되므로, 주변 온도 변동에 본질적으로 민감하여 학습 시 사용된 온도 범위 밖에서 동작할 때 작업 성능이 저하된다. 본 논문에서는 온도 변화가 이러한 초상자성 앙상블의 자화 동역학에 어떤 영향을 미치는지 시뮬레이션하고, 이것이 작업 성능에 미치는 영향을 정량화한다. 그런 다음 열 활성화에 서로 다른 특성 시간 척도를 가진 다양한 크기의 나노닷을 포함하는 이질적 나노닷 패턴이 이 문제를 완화하는 방법을 보여준다. NARMA-10 작업에 대한 벤치마크 결과는 최적화된 이질성을 도입하면 궁극적 성능의 손실이 거의 없이 넓은 주변 온도 범위(5-35°C)에서 리저버의 성능을 안정화함을 보여준다. 또한 성능과 온도 안정성 사이의 상충 관계를 특성화하고, 이를 리저버 하이퍼파라미터를 통해 조정할 수 있음을 보여준다. 본 연구는 이러한 새로운 장치를 실세계 배포에 적합하게 만드는 데 있어 중요한 단계를 보여준다.

arXiv:2607.11272v1stat.ML

데이터 부족 뎅기열 예측을 위한 장기 기억 저장소 컴퓨팅

Long-Memory Reservoir Computing for Data-Scarce Dengue Forecasting

정확한 뎅기열 예측은 공중 보건 계획에 필수적이지만, 발생 시계열이 짧고 잡음이 많으며 비정상적이고 비선형적인 데다 장거리 시간적 의존성의 영향을 자주 받아 여전히 어려운 과제로 남아 있다. 자기회귀 분수 적분 이동평균(ARFIMA)에서의 분수 차분은 비정상성과 지속성의 균형을 맞추는 데 도움이 되지만, 선형 구조로 인해 비선형 동역학을 포착하는 능력이 제한된다. 심층 신경망은 비선형 패턴을 모델링할 수 있으나 일반적으로 대규모 학습 샘플을 필요로 하며 통계적 장기 기억을 명시적으로 인코딩하지 않는다. 에코 상태 네트워크(ESN)는 널리 사용되는 저장소 컴퓨팅 프레임워크로, 비선형 순환 동역학을 유지하면서 간단한 판독부만 학습하여 데이터 부족 환경에 적합하다는 장점이 있다. 그러나 표준 ESN은 시계열 관점에서 장기 기억이 부족하다. 본 연구는 전용 장기 기억 및 단기 기억 ESN 저장소를 릿지 회귀 판독부와 통합하는 장기 기억 저장소 컴퓨팅 프레임워크를 제안한다. 우리는 두 가지 변형을 도입한다: 장거리 의존성을 직접 인코딩하기 위해 분수 차분 동역학을 저장소에 통합하는 분수 ESN(fESN)과, 기억 인식 저장소로 모델링하기 전에 웨이블릿 평활화를 통해 안정적인 저주파 성분을 추출하는 웨이블릿 ESN(wESN)이다. 우리는 폐루프 저장소 동역학에 대한 이론적 보장을 확립하여, 표준 ESN이 온화한 조건 하에서 단기 기억 과정을 유도하는 반면 제안된 장기 기억 저장소는 통계적 장기 기억과 일치하는 다항식 감쇠 의존성을 생성함을 보인다. 여러 뎅기열 데이터셋과 예측 구간에 걸쳐 fESN과 wESN은 통계적·심층 학습 기반 베이스라인을 능가한다. 등각 예측(conformal prediction)을 fESN 및 wESN과 결합하면 분포 무관 보정 불확실성 구간을 제공한다.

arXiv:2606.23115v2cs.NE

NCA 저장소에서 자기조직화 임계성을 위한 귀납적 바이어스로서의 질량 보존

Mass Conservation as an Inductive Bias for Self-Organized Criticality in NCA Reservoirs

진화된 신경 세포 자동자(NCA) 저장소에 격자 질량을 보존하는 지역 재분배 규칙을 넣어 자기조직화 임계성(SOC)을 유도하는 귀납적 바이어스로 작용하는지 검증했으며, 질량 보존 변형이 더 강한 임계성과 1.27배 빠른 진화를 보였다. 5비트 순차 메모리, MNIST, CartPole-v1에서 다운스트림 성능은 표준 NCA와 유사했고, 임계성이 가장 높은 저장소가 시간적 제어 점수도 최고를 기록했다.

arXiv:2308.05810v4cs.CV

이미지 인식을 위한 스핀트로닉스: 데이터 기반 시뮬레이션을 통한 성능 벤치마킹

Spintronics for image recognition: performance benchmarking via data-driven simulations

스핀트로닉스(spintronics) 기반 소용돌이 스핀-토크 발진기(STVO)의 비선형 동역학을 활성화 함수로 활용하는 극한 학습 머신(ELM) 구조를 제안하며, 데이터 기반 Thiele 방정식 접근법(DD-TEA)으로 시뮬레이션하여 반복적인 실험 없이 하이퍼파라미터 탐색을 가능하게 했다. MNIST에서 최신 수준의 정확도를 달성했으며, STVO 동역학의 성능이 reLU·sigmoid 등 기존 소프트웨어 활성화 함수와 동등함을 입증했다.

arXiv:2504.17503v2cs.LG

Tailored minimal reservoir computing: on the bidirectional connection between nonlinearities in the reservoir and in data

We study how the degree of nonlinearity in the input data affects the optimal design of reservoir computers, focusing on how closely the model's nonlinearity should align with that of the data. By reducing minimal RCs to a single tunable nonlinearity parameter, we explore how the predictive performance varies with the degree of nonlinearity in the reservoir. To provide controlled testbeds, we generalize to the fractional Halvorsen system, a novel chaotic system with fractional exponents. Our experiments reveal that the prediction performance is maximized when the reservoir's nonlinearity matches the nonlinearity present in the data. In cases where multiple nonlinearities are present in the data, we find that the correlation dimension of the predicted signal is reconstructed correctly when the smallest nonlinearity is matched. We use this observation to propose a method for estimating the minimal nonlinearity in unknown time series by sweeping the reservoir exponent and identifying the transition to a successful reconstruction. Applying this method to both synthetic and real-world datasets, including financial time series, we demonstrate its practical viability. Finally, we transfer these insights to classical RC by augmenting traditional architectures with fractional, generalized reservoir states. This yields performance gains, particularly in resource-constrained scenarios such as physical reservoirs, where increasing reservoir size is impractical or economically unviable. Our work provides a principled route toward tailoring RCs to the intrinsic complexity of the systems they aim to model.

arXiv:2606.28380v1cs.NE

유전체 병목을 통한 모듈형 저장소 증류

Distilling a Modular Reservoir Through a Genomic Bottleneck

생물학적 신경망의 복잡한 구조는 대부분 발달 과정에서 나타나며, 게놈에 인코딩된 비교적 압축된 청사진에 의해 안내된다. 이 디코딩 과정에서 나타나는 연결성은 구조가 풍부하며, 이미 태어날 때부터 유기체에 기능적 모듈을 갖추게 한다. 이 초기 구조는 다양한 가소성 메커니즘을 통해 평생의 경험에 의해 점진적으로 정제되고 파인튜닝될 수 있는 스캐폴드 역할을 한다. 진화적 학습 방식과 발달적 학습 방식 간의 이러한 상호작용에서 영감을 얻어, 우리는 하이퍼네트워크를 사용하여 모듈형 저장소(reservoir)의 연결성을 생성하는 압축된 생성 과정을 학습한다. 우리는 커리큘럼 기반 메타 학습과 모듈형 저장소 컴퓨팅의 결합이 최소한의 학습과 강건성에 대한 양보 없이 어려운 시계열 과제를 해결하는 희소 순환 네트워크를 생성할 수 있음을 보인다.

arXiv:2606.27095v1cs.LG

효율적인 장기 콜드 스타트 지속 학습을 위한 데이터 없는 리저voir 특징

Data-Free Reservoir Features for Efficient Long-Horizon Cold-Start Continual Learning

리플레이·외부 사전학습·큰 초기 태스크 없이 클래스가 점점 늘어나는 콜드 스타트 exemplar-free 클래스 증분 학습(CS-EFCIL)을 위해, CIRCLE은 이미지 데이터에 적합(fit)되지 않은 고정 BiRC2D 스타일 2차원 리저voir(reservoir) 특징과 스트리밍 선형 판별 분석(SLDA) 헤드 앙상블을 결합해 리플레이·태스크 경계 정보·백본 역전파 없이 샘플 단위로 학습한다. CIFAR-100, TinyImageNet, ImageNet-Subset, ImageNet-1k에서 10–20 태스크 분할에서는 경쟁력을 보이고 50–500 분할에서는 강한 CS-EFCIL baseline을 크게 능가하며, 백본을 반복 학습하는 drift 보상 방법보다 훨씬 빠르다.

arXiv:2606.22765v1cs.NE

진화적 최적화가 밝히는 시공간 카오스를 위한 리저버 아키텍처의 구조적 제약

Evolutionary Optimization Reveals Structural Constraints on Reservoir Architecture for Spatiotemporal Chaos

시공간 카오스 테스트베드인 Kuramoto–Sivashinsky 방정식에서 리저버 아키텍처를 진화적 선택으로 최적화하면 예측 오류가 줄고 저오류 예측 지평이 늘어난다. 구조 분석에서는 진화된 리저버가 SBM 유사 스펙트럴 포락선을 유지하면서 저고유값 모드를 정제하고 모듈성을 중간 범위로 고정하며 연결 비용을 가지치는 등, 정확도와 효율성을 단순 트레이드오프 없이 함께 달성하는 해석 가능한 구조적 제약이 드러난다.

arXiv:2606.21322v1cs.LG

구별 불가능한 어트랙터 구별하기: 리저버 컴퓨터를 활용한 비지도 이상 탐지

Distinguishing indistinguishable attractors: Unsupervised anomaly detection with reservoir computers

비선형 동역학 시스템이 정상 체제를 벗어나는 시점을 탐지하는 것은 심장학에서 기후 및 에너지 시스템에 이르기까지 과학 전반에 걸쳐 반복적으로 등장하는 문제이다. 우리는 리저버 컴퓨터의 출력 가중치에 대한 매우 단순한 콜모고로프-스미르노프 검정이, 고전적인 비선형 측도와 최신 딥러닝 탐지기 모두에 보이지 않는 경우를 포함하여, 비선형 동역학 시스템의 체제 변화에 매우 민감하다는 것을 보인다. 우리 알고리즘의 핵심 아이디어는 리저버 컴퓨터의 출력층을 입력 동역학의 표현으로 취급하는 것이다. 입력 매핑과 리저버 자체는 무작위로 고정되어 있으므로, 학습된 출력 가중치만이 해당 시스템을 인코딩하는 유일한 객체이다. 우리는 출력 가중치의 경험적 누적 분포 함수를 통해 이 지문을 요약하고, 학습 데이터로부터 구축된 참조 구간과 비교한다. 이 비지도 온라인 탐지기는 시각적으로 구별 불가능한 두 개의 나비 형태 어트랙터를 구별하고, 가장 강력한 딥러닝 기준선보다 7배 더 작은 매개변수 드리프트를 해소하며, 신호 대비 4자릿수 낮은 잡음을 표시하고, 임상 심전도(ECG) 기록에서 심실 조동을 식별한다. 더 나아가, 우리는 학습된 출력 가중치를 단순히 예측의 수단으로 보는 것이 아니라 학습된 시스템의 표현 그 자체로 취급하는, 리저버 컴퓨터에 대한 새로운 관점을 확립하고자 한다.

arXiv:2606.19984v1cs.LG

Kolmogorov-Arnold 리저버 컴퓨팅

Kolmogorov-Arnold Reservoir Computing

리저버 컴퓨팅은 동적 시스템 예측을 위한 경량 프레임워크를 제공하지만, 제한된 표현 용량으로 인해 장기 의존성을 포착하는 데 어려움을 겪을 수 있습니다. 기존 리저버 컴퓨팅은 하이퍼파라미터 민감성이 있는 학습 가능한 리저버를 순환적으로 사용하는 반면, 차세대 리저버 컴퓨팅은 급격히 증가하는 특징 차원을 비용으로 치르며 순환성을 제거합니다. 본 연구에서는 Kolmogorov-Arnold 표현 정리에서 영감을 받은 명시적 기저 함수 확장으로 리저버를 대체하는 Kolmogorov-Arnold 리저버 컴퓨팅(KARC)을 개발합니다. 우리는 KARC가 Kolmogorov-Arnold 네트워크(KAN)의 경량 설계임을 엄밀하게 보여주며, 리저버 컴퓨팅의 효율적인 폐쇄형 학습을 허용하면서도 KAN의 잠재적 표현 용량을 보존함을 입증합니다. 유사한 비용으로 KARC는 편미분 방정식을 포함한 어려운 벤치마크에서 기존 리저버 컴퓨팅 방법보다 우수한 성능을 보입니다. 또한 텍스트-이미지 생성을 위해 생성적 확산 모델과 통합될 수도 있습니다. 따라서 이 연구는 리저버 컴퓨팅과 KAN 사이에 원칙적인 연결 고리를 확립하여, 효율적이고 고충실도의 동적 시스템 예측을 가능하게 합니다.

arXiv:2505.17740v2cs.LG공식 코드 · Papers with Code

혼돈 시계열 예측을 위한 텐서 네트워크 접근법

A tensor network approach for chaotic time series prediction

혼돈 시계열(chaotic time series)을 정확하게 예측하는 것은 복잡한 도전 과제입니다. 뉴로모픽(neuromorphic)에서 영감을 받은 접근법인 리저버 컴퓨팅(reservoir computing)은 이 작업을 위한 강력한 도구로 등장했습니다. 이는 광범위한 매개변수 튜닝 없이 동적 시스템(dynamical systems)의 메모리와 비선형성을 활용합니다. 그러나 리저버 아키텍처(reservoir architecture)를 선택하고 최적화하는 것은 여전히 미해결 문제입니다. 차세대 리저버 컴퓨팅(Next-generation reservoir computing)은 절단된 볼테라 급수(truncated Volterra series)에 기반한 비선형 벡터 자기회귀(nonlinear vector autoregression)를 사용하여 이 문제를 단순화함으로써 하이퍼파라미터 복잡성을 줄입니다. 그럼에도 불구하고 후자는 최대 단항식 차수(maximum monomial degree)에 따라 매개변수의 지수적 성장 문제를 겪습니다. 텐서 네트워크(tensor network)는 다차원 배열을 저차원 구조로 분해하여 차원의 저주(curse of dimensionality)를 완화함으로써 이 문제에 대한 유망한 해결책을 제공합니다. 본 논문은 혼돈 시계열 예측을 위해 기존에 제안된 텐서 네트워크 모델의 적용을 탐구하고, 기존 에코 상태 네트워크(echo state networks)와 비교하여 정확도와 계산 효율성 측면에서의 장점을 입증합니다. 최첨단(state-of-the-art) 텐서 네트워크 접근법을 활용함으로써 텐서 네트워크와 리저버 컴퓨팅 연구 커뮤니티 간의 격차를 해소하고, 두 분야의 발전을 촉진할 수 있습니다.

arXiv:2606.12141v1cs.LG

동해의 고해상도 해수면 온도 예측을 위한 PCA 강화 적응형 NVAR 프레임워크

PCA-Enhanced Adaptive NVAR Framework for High-Resolution Sea Surface Temperature Forecasting in the East Sea

동해와 같은 지역 해역에서의 정확한 해수면 온도(SST) 예측은 해양 생태계 모니터링, 기후 위험 평가, 수산업 관리 및 해군 작전 수행에 필수적입니다. 기존의 수치 해양 모델은 신뢰할 수 있는 예측을 제공하지만 연산 비용이 높아 실시간 예측에 종종 부적합합니다. 또한 많은 심층 학습(deep learning) 방법들은 고차원 시공간 해양 데이터를 처리하는 데 어려움을 겪으며, 예측 기간이 길어질수록 오류가 누적되는 문제를 겪습니다. 본 연구는 합성 동역학 시스템(synthetic dynamical systems)에서 처음 소개되고 테스트되었던 기존의 적응형 차세대 리저버 컴퓨팅(Adaptive Next-Generation Reservoir Computing, Adaptive NVAR) 프레임워크를 기반으로 하여, 이를 해양 예측으로 확장했습니다. 동해의 해수면 온도(SST) 동역학을 예측하기 위해 특이값 분해(Singular Value Decomposition, SVD)와 Adaptive NVAR을 결합한 차수 축소(reduced-order) 예측 프레임워크를 제시합니다. SVD를 사용하여 해수면 온도(SST) 필드를 해양 변동성의 지배적인 모드를 추출하는 저차원 표현으로 압축합니다. Adaptive NVAR은 이러한 잠재 상태(latent states)의 시간적 진화를 모델링하며, 예측된 상태는 해수면 온도(SST) 예측으로 재구성됩니다. 지역 해양 데이터셋(dataset)을 사용하여 해당 프레임워크를 평가하고 표준 NG-RC/NVAR와 비교했습니다. 결과에 따르면 Adaptive NVAR은 다양한 예측 지평선(prediction horizon)에서 일관되게 더 낮은 예측 오류를 달성했습니다. 또한, SVD는 계산 복잡도를 낮추어 실시간 해양 예측에 적합한 빠르고 확장 가능한(scalable) 프레임워크를 구현합니다.

arXiv:2606.12077v1cs.LG

멀티스케일 리저버 역학과 그래뉼러 볼 앵커 그래프 최적화를 이용한 효율적인 시계열 클러스터링

Efficient Time Series Clustering from Multiscale Reservoir Dynamics with Granular-Ball Anchoring Graph Optimization

시계열 클러스터링은 클러스터링 유효성과 계산 효율성 사이의 본질적인 상충 관계로 인해 여전히 어려운 문제로 남아 있습니다. 유사도 기반 방법은 쌍별 거리 계산으로 인한 이차 복잡도 문제를 겪는 반면, 심층 학습 기반 접근법은 일반적으로 비용이 많이 드는 반복 학습과 다수의 학습 가능한 파라미터에 의존합니다. 본 논문에서는 MSRGC-Net, 즉 멀티스케일 리저버 컴퓨팅, 그래뉼러 볼 기반 앵커 그래프 구성, 그리고 컨센서스 학습을 통합하는 효율적인 시계열 클러스터링 프레임워크를 제안합니다. MSRGC-Net은 역전파 없이 원본 시계열에서 멀티스케일 시간 표현을 추출하기 위해 학습 불필요(training-free) 리저버 컴퓨팅 패러다임을 채택하여, 계산 오버헤드를 크게 줄입니다. 결과 표현의 내재 구조를 포착하기 위해, 그래뉼러 볼 컴퓨팅을 사용하여 밀도 일치 영역을 통해 데이터 분포를 적응적으로 모델링함으로써, 컴팩트하고 견고한 앵커 그래프 표현을 생성합니다. 또한, 멀티스케일 리저버 표현을 효과적으로 정렬하고 시간 스케일 간의 상보적 정보를 통합하기 위해 컨센서스 기반 앵커 그래프 최적화 전략을 도입합니다. 널리 사용되는 단변량 및 다변량 벤치마크 데이터셋에 대한 광범위한 실험을 통해, MSRGC-Net이 우수한 계산 효율성을 유지하면서도 클러스터링 성능 면에서 최신 기법(state-of-the-art)을 일관되게 능가함을 입증합니다.