PyTorchKR Papers

최신 논문

총 4편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.40075v2cs.LG

희소 정규화 부분 최적 운송을 위한 가속 알고리즘

Accelerated Algorithm for Sparse Regularized Partial Optimal Transport

부분 최적 운송(Partial Optimal Transport, POT)은 엄격한 질량 보존 제약을 완화하여 고전적인 최적 운송 문제를 확장하며, 이를 통해 광범위한 실세계 응용에 활용될 수 있다. 이러한 환경의 다수에서는 해석 가능성과 계산상의 이점 때문에 희소한 운송 계획(sparse transport plan)이 선호된다. 이차(quadratic) 또는 엘라스틱넷(elastic net)과 같은 매끄럽고 강하게 볼록한(strongly convex) 정규화 항(regularizer)은 다양한 머신러닝 응용에서 희소성을 유도하고 계산을 가속하기 위해 광범위하게 사용되어 왔지만, 계산적 POT에 대한 엔트로피 기반 접근법에 비해 알고리즘적으로 상대적으로 적은 주목을 받아왔다. 본 논문에서는 패널티 기반 재구성(penalty-based reformulation)을 통해 이러한 정규화 항을 활용하는 새로운 최적화 프레임워크를 제안하며, 원래 문제의 구조를 보존하면서도 효율적인 그래디언트 기반 업데이트를 가능하게 한다. 본 방법은 구조화되고 희소한 운송 계획을 촉진하는 광범위한 정규화 항 계열을 수용한다. 이 공식화를 기반으로, 매끄러운 업데이트와 단순한 투영(projection) 단계를 번갈아 수행하는 가속 1차 알고리즘(accelerated first-order algorithm)을 설계한다. 색상 전이(color transfer), 도메인 적응(domain adaptation), 포인트 클라우드 정합(point cloud registration)에 대한 실증적 벤치마크 결과, 본 접근법은 더 낮은 운송 비용, 더 높은 희소성, 더 빠른 수렴을 달성하며 기존 베이스라인을 꾸준히 능가하여, 현대적인 운송 문제에 대한 실용적이고 확장 가능한 해법임을 보여준다.

arXiv:2509.12889v5math.ST

연속 희소 정규화를 통한 미지 대각 공분산 가우시안 혼합 모델

Gaussian Mixture Model with unknown diagonal covariances via continuous sparse regularization

본 논문은 독립동일분포(i.i.d.) 표본으로부터 미지 대각 공분산을 갖는 가우시안 혼합 모델(GMM)의 통계적 추정 문제를 다룬다. 우리는 측도 공간에서 희소성을 촉진하는 볼록 최적화 프레임워크인 Beurling-LASSO(BLASSO)를 사용하여 성분 개수와 그 매개변수를 동시에 추정한다. 본 연구의 주요 기여는 BLASSO 방법론을 성분별 미지 대각 공분산 행렬을 갖는 다변량 GMM으로 확장하는 것이다. 이 설정은 공분산이 알려져 있고 동일하다고 가정했던 기존 접근법보다 훨씬 더 유연하다. 우리는 성분 평균, 대각 공분산, 가중치 및 밀도 예측에 대해 거의 모수적 수렴 속도를 갖는 비점근적 회복 보장을 확립한다. 핵심 이론적 기여는 BLASSO에 대한 통계적 보장을 확립하는 데 필수적인 도구인 비퇴화(non-degenerate) dual certificate를 구성할 수 있게 하는 혼합 성분에 대한 명시적 분리(separation) 조건의 식별이다. 우리의 분석은 통계 모델의 Fisher-Rao 기하를 활용하고 본 프레임워크에 맞춘 새로운 반거리(semi-distance)를 도입하여, 성분 분리, 매개변수 공간 기하, 달성 가능한 통계적 회복 사이의 상호작용에 대한 새로운 통찰을 제공한다.

arXiv:2607.04990v2cs.LG

비단조 포함을 통한 비볼록 희소 강화학습

Non-Convex Sparse Reinforcement Learning via Non-Monotone Inclusions

강화학습의 LSTD 정책 평가에서 기존 ℓ₁ 정규화의 추정 바이어스 문제를 해결하기 위해, 비볼록 사영 미니맥스 오목(PMC) 패널티를 결합하고 이를 비단조 포함(non-monotone inclusion) 문제로 재정식화하여 전진-반사-후진 분할(FRBS) 알고리즘으로 푸는 방법을 제안한다. 약 민티 변분 부등식 조건 하에서 FRBS의 수렴이 보장되며, 벤치마크 실험에서 잡음 특징이 많은 환경일수록 기존 특징 선택 방법들을 크게 능가하는 성능을 보인다.

arXiv:2607.00138v1cs.CV

MG-SpaIR: Multi-grade Sparse-guided Implicit Representation for Training-Data-Free Image Restoration

MG-SpaIR은 블러, 다운샘플링, 노이즈, 픽셀 손실이 혼합된 단일 관측 이미지를 학습 데이터 없이 복원하기 위해 암묵적 신경 표현(INR) 기반의 다단계 coarse-to-fine 잔차 계층과 명시적 희소 근접 정규화($\ell_0$ 유형)를 결합한 프레임워크다. 혼합 열화 벤치마크 실험에서 Deep Image Prior 등 기존 학습 데이터 불필요 기준 방법들을 일관되게 능가하며 수렴 보장도 이론적으로 확립했다.