PyTorchKR Papers

최신 논문

총 7편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.23800v1cs.NE

다목적 최적화를 위한 진화 알고리즘에서 동적 개체군 크기로 인한 증명 가능한 속도 향상

Provable Speedups From Dynamic Population Sizes in Evolutionary Algorithms for Multiobjective Optimization

이 논문은 진화 다목적 최적화에서 동적 개체군 크기의 역할을 조사한다. 이러한 접근법은 실무에서 널리 사용되지만, 그 이점은 여전히 잘 이해되지 않았으며, 언제 그리고 왜 도움이 되는지를 설명하는 엄밀한 실행 시간 분석은 여전히 부족하다. 이를 해결하기 위해, 우리는 이변수(bi-objective) 문제 클래스 CLIMB를 도입하고 이 문제에 대해 GSEMO와 널리 사용되는 NSGA-II의 실행 시간을 분석한다. 우리의 결과는 NSGA-II에 동적 개체군 크기를 허용하면 중간 정도의 개선을 이끌 수 있으며, $Ω(\sqrt{n}/\log n)$ 차수의 속도 향상을 제공함을 보여준다. 특히, 우리는 GSEMO와 본 논문에서 제안하는 동적 개체군 크기를 갖는 NSGA-II의 변형인 NSGA-II-DYN이 CLIMB의 파레토 전선(Pareto front)을 기대 $O(n \log n)$ 적합도 평가(fitness evaluations) 내에서 찾을 수 있음을 증명하는 반면, 고정된 개체군 크기를 갖는 NSGA-II는 기대적으로 $Ω(n^{1.5})$ 적합도 평가를 필요로 한다. 우리가 아는 한, 이는 GSEMO가 NSGA-II 대비 상수를 초과하는(super-constant) 속도 향상을 보여주는 다목적 최적화 분야의 최초의 엄밀한 실행 시간 분석이다. 우리의 분석은 시간에 따른 개체군 다양성의 진화와 같은 단일 목적 최적화의 개념을 기반으로 하며, 하한(lower bound)을 증명하기 위해 잘 알려진 family-three 방법을 사용한다.

arXiv:2607.22036v1cs.NE

강화학습 하이퍼휴리스틱의 실행 시간 분석

On the Runtime Analysis of Reinforcement Learning Hyper-Heuristics

선택 하이퍼휴리스틱(selection hyper-heuristics, HHs)은 최적화(optimisation) 과정의 각 단계에서 저수준 휴리스틱(low-level heuristics) 집합 중 어떤 것을 적용할지 선택함으로써 알고리즘 설계를 자동화한다. 표준 벤치마크 함수에 대한 선택 하이퍼휴리스틱(HHs)의 성능과 관련하여 최근 여러 인상적인 결과가 엄밀하게 증명되었다. 그러나 이러한 HHs가 사용하는 학습 메커니즘은 실제 응용에서 일반적으로 사용되는 머신러닝 기법에 비해 상당히 단순화되어 있다. 본 논문에서는 문헌에 있는 강화학습 하이퍼휴리스틱(RLHH)을 분석한다. 이전에 알려진 유일한 결과는 넓은 범위의 매개변수 설정에 대해 RLHH가 표준 LeadingOnes 벤치마크 함수에 대해 휴리스틱을 적절히 선택하도록 학습하지 않는다는 것을 증명했다. 본 논문에서는 적절한 매개변수 값을 사용할 때, RLS_1 및 RLS_2라는 두 개의 무작위 지역 탐색(random local search) 연산자를 갖춘 RLHH가 LeadingOnes 벤치마크 함수를 두 연산자로 달성 가능한 최상의 기대 실행 시간(낮은 차수 항까지)으로 최적화함을 엄밀하게 증명한다. 실험 결과, 현실적인 문제 크기에서는 이전에 낮은 차수 항까지 최적 기대 실행 시간을 갖는 것으로 증명되었던 Generalised Random Gradient HH보다 더 빠른 것으로 나타난다.

arXiv:2607.03135v1cs.SE

런타임 트레이스 분석을 통한 안전 필수 펌웨어의 아키텍처 드리프트 탐지

Detecting Architectural Drift in Safety-Critical Firmware through Runtime Trace Analysis

장기 운영되는 안전 필수 펌웨어에서 아키텍처 설계와 런타임 관찰 동작 간의 일관성을 유지하는 것은 쉽지 않다. 본 논문은 ISO 26262 준수 펌웨어에서 아키텍처 드리프트를 탐지하기 위한 런타임 기반 방법론을 제시한다. 이 접근법은 하드웨어 보조 실행 트레이스를 수집하고, 이를 펌웨어 컴포넌트 간 메시지 교환으로 추상화한 후, 결정론적 차분(differencing) 단계를 통해 도출된 런타임 동작을 설계 시점의 시퀀스 다이어그램과 비교한다. 산출된 델타(delta)는 불일치를 확인됨, 누락됨, 추가됨, 역전됨으로 식별하며, 제약된 대규모 언어 모델(LLM) 기반 단계는 전문가 검토를 지원하기 위한 목적으로만 사람이 읽을 수 있는 보고서를 생성한다. 본 방법론은 합의 기반 검증(validation)과 실무자 설문을 통해 산업용 펌웨어 맥락에서 평가되었다. 26개 테스트 케이스에 대한 결과는 생성된 델타와 전문가가 직접 작성한 참조 결과 간에 높은 일치도를 보이며, 실무자들은 해당 보고서가 드리프트 해석, 수동 분석 노력 감소, 안전 지향 문서화 활동 지원에 유용하다고 인식하였다. 이러한 결과는 런타임 트레이스 분석, 결정론적 아키텍처 차분, 제약된 LLM 기반 보고를 결합하는 방식이 진화하는 안전 필수 펌웨어에서의 아키텍처 드리프트 탐지를 실질적으로 지원할 수 있음을 시사한다.

arXiv:2606.13360v1cs.NE

The $(1 + 1)$-EA in Dynamic Environments

동적 선형 환경에서 $(1 + 1)$-EA의 최적화 시간이 돌연변이 매개변수에 따라 다항 시간과 지수 시간으로 나뉘는 날카로운 임계값을 증명했다. 또한 Dynamic Binary Value 문제에서 최적화 과정이 정체되는 거리를 정량화하여 두 번째 임계값을 규명했다.

arXiv:2606.13344v1cs.NE

BinVal에서 $(μ+ 1)$ EA의 개선된 실행 시간 상한

Improved Runtime Bound for the $(μ+ 1)$ EA on BinVal

BinVal 함수에서 $(μ+ 1)$ EA의 실행 시간 상한을 $O(μ\log μ\cdot n \log n)$으로 개선하여 기존 결과보다 크게 향상된 성능을 입증했다. 이는 해당 알고리즘이 OneMax보다 최대 $O(\log μ\cdot \log n)$ 배 느리다는 것을 의미하며, 표준 비트 돌연변이를 포함한 다양한 연산자에 적용된다.

arXiv:2606.13323v1cs.NE

동질적 진행 모델에서의 $(μ+ 1)$-ES 런타임 분석

Runtime Analysis of the $(μ+ 1)$-ES in a Homogenous Progress Model

진화 전략(ES)의 적합도 진행을 모델링하기 위해 돌연변이 효과가 불변 분포를 따르는 동질적 진행 모델을 도입하고, 연속 정상 상태 $(μ+1)$-ES의 기대 성장률을 분석하는 기법을 제시한다. 수정된 프로세스를 통해 원본 프로세스의 성장률을 상하한으로 두어 복잡한 의존성을 해결하고 특정 조건 하에서 기대 성장률의 상한을 도출했다.

arXiv:2606.12382v1cs.NE

SPEA2$^+$: 증명 가능한 런타임 보장을 갖는 SPEA2의 개선된 밀도 추정

SPEA2$^+$: Improved Density Estimation in SPEA2 with Provable Runtime Guarantees

Strength Pareto Evolutionary Algorithm 2 (SPEA2)는 다목적 최적화 문제 해결에 널리 사용되는 대표적인 진화 알고리즘입니다. 널리 사용됨에도 불구하고 SPEA2에 대한 이론적 분석은 최근에야 이루어졌습니다. 게다가 기존 분석들은 SPEA2가 비지배 해(non-dominated solutions)를 다루는 방식에만 초점을 맞추고 있어, 지배 해(dominated solutions)를 처리하는 알고리즘 구성 요소는 간과하고 있습니다. 본 연구에서는 이러한 구성 요소를 분석한 SPEA2의 첫 번째 런타임 분석을 수행합니다. 고정된 모집단 크기와 중복 제거라는 동일한 설정 하에서 NSGA-II, NSGA-III 및 SMS-EMOA와 같은 다른 주요 알고리즘들과 달리, SPEA2는 OneTrapZeroTrap 벤치마크의 파레토 프론트를 효율적으로 포괄할 수 없음을 증명했습니다. 연구 결과에 따르면 적합도 할당(fitness assignment) 과정에서 k-최근접 이웃 거리를 사용하는 것은 지배 개체들 간의 다양성을 유지하기에 불충분한 신호를 제공하는 것으로 나타났습니다. 이 문제를 해결하기 위해 모든 쌍별 거리(pairwise distances)를 고려하는 개선된 변형인 SPEA2$^+$를 제안합니다. 제안된 알고리즘은 OneTrapZeroTrap 벤치마크에서 다른 주요 알고리즘들과 동일한 성능 보장을 달성하는 동시에, 더 간단한 문제에서는 기존 SPEA2의 성능과 대등함을 보여줍니다. 실험 결과는 본 이론적 발견을 뒷받침합니다.