PyTorchKR Papers

최신 논문

총 6편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.13656v1stat.ML

비가우시안 공간 장을 위한 확장 가능한 희소 자기회귀 변분 추론

Scalable Sparse Autoregressive Variational Inference for Non-Gaussian Spatial Fields

잠재 장 모델(Latent field model)은 공간 통계학에서 필수적이지만, 가우시안 프로세스(GP) 사전을 사용하더라도 가능도(likelihood)가 비가우시안(non-Gaussian)일 때마다 잠재 장의 사후 분포는 해석적으로 다루기 어렵습니다. 기존의 근사 기법들은 대규모 비가우시안 데이터셋에 적용하기에 너무 느리거나 지나치게 제약적입니다. 본 논문에서는 변분 족(variational family) 내에서 사전 분포의 희소 최근접 이웃 자기회귀 구조를 반영하고, 표현력을 위해 정규화 흐름(normalizing flow) 조건부 분포를 사용하며, 단일 공유 신경 조건화기(neural conditioner)를 통해 모든 변분 파라미터를 상각(amortize)하는 확장 가능한 변분 추론(variational inference) 프레임워크를 제안합니다. 축소된 조상 집합을 활용한 이중 확률적 최적화(doubly stochastic optimization)를 통해 반복(iteration)당 다항 로그 복잡도를 달성합니다.

arXiv:2607.14880v1math.ST

Metropolis-Hastings 확산 거리를 통한 공간적 군집 측정

Measuring Spatial Clustering via Metropolis-Hastings Diffusion Distance

그래프 상의 두 확률 분포 $f$와 $g$ 사이의 불일치를 측정하는 새로운 척도를 제안한다. 이를 확산 거리(diffusion distance)라 부르며, 정상 분포가 $g$인 그래프 제약 마르kov 체인 하에서 $f$가 $g$로 수렴하는 속도를 측정한다. 이 마르kov 체인의 기본 선택으로, 그래프 위의 랜덤 워크로 제안을 주고 $g$를 목표로 하는 Metropolis-Hastings 전이 행렬을 사용한다. 관심의 주요 경우는 두 번째 분포 $g$가 균일 분포일 때이며, 이때 확산 거리는 $f$의 공간적 군집을 측정하는 척도가 된다. 이렇게 사용할 때, (Metropolis-Hastings) 균일성에 대한 확산 거리는 단순히 국소적 패턴뿐 아니라 전역 그래프 기하를 반영함으로써 Moran's $I$ 유형의 공간적 자기상관 척도를 확장한다. 실제로 가장 잘 알려진 공간적 자기상관 척도인 Moran's $I$는 특정 공간 가중치를 사용하는 한 확산 거리에 대한 1단계 휴리스틱으로 볼 수 있다. 우리는 이 척도에 대한 이론적 상·하한과 안정성 결과를 정립하며, 이를 그래프 스펙트럼과 최적 수송(optimal transport)에 연결한다. 이어서 확산 거리를 이용한 공간적 군집에 대한 통계적 검정을 개략적으로 제시한다. 순열 null 모델 하에서, 분포 수렴에 대한 정확한 스펙트럼 공식에 기반한 확산 거리의 고확률 상·하한을 도출하여 대규모 데이터셋에서 공간적 군집에 대한 효율적인 통계적 검정을 가능하게 한다. 확산 거리를 Moran's $I$와 수치적 척도 및 통계적 검정 모두의 관점에서 경험적으로 비교한다. 확률적 블록 모델(stochastic block model)을 이용한 합성 데이터에서 확산 거리가 더 높은 검정력을 보임을 보인다. 미국 100개 도시의 흑인 인구 분포에 대한 경험적 분석은 확산 거리가 Moran's $I$가 포착하지 못하는 도시 분리(segregation) 패턴의 미묘한 차이를 탐지함을 보여준다.

arXiv:2607.10008v1stat.ML

공간 이벤트를 위한 다양체 제약 등각 예측

Manifold Constrained Conformal Prediction for Spatial Events

우리는 열대 저기압 발생 및 지진 위치와 같은 공간 이벤트 집합에 대해 보정된 예측 집합을 구성하는 새로운 등각 예측(conformal prediction) 방법을 소개한다. 자연재해 예측은 그 상당한 경제적 영향으로 인해 점점 더 중요해지고 있으며, 예측의 불확실성을 정량화하는 것은 정확한 위험 평가에 매우 중요하다. 우리의 방법은 공간 포인트 클라우드(point cloud)를 경험적 측도로 표현하여 (슬라이스드) 와서스타인 거리(Wasserstein distance)로 점수를 매긴 후, 결과적으로 생성된 분포값 예측 집합이 학습 데이터 다양체(manifold) 근방에서만 지지되도록 제약한다. 교집합 집합에 대한 커버리지 하한을 유도하고, 실제로 이 간격이 단순한 데이터 적응적 선택 기준을 통해 작게 만들 수 있음을 보인다. 결과 집합이 해석적으로 다루기 어렵기 때문에, 수정된 플로우 기반(flow-based) 샘플링 절차를 도입하여 이러한 예측 집합을 실제로 앙상블로 표현하고 적용할 수 있도록 한다. 합성 데이터, 열대 저기압 발생, 지진 발생에 대한 수치 실험에서 우리의 방법은 명목 커버리지에 근접함을 달성하며, 최고 예측 밀도 영역(HDR, highest predictive density region) 기준선 및 생성 모델(generative model) 기준선에 비해 에너지 거리와 다양체 거리가 현저히 낮음을 보인다.

arXiv:2607.07887v1stat.ME

텐서 변량 데이터를 위한 공간 인자 분석기의 혼합

Mixtures of spatial factor analyzers for tensor-variate data

고차원 텐서 변량 공간 데이터의 군집화를 위해 공간 인자 분석기의 혼합(MSFA)을 제안하며, 스플라인 기반 공간 감쇠 공분산 구조와 행렬 변량 인자 분석을 결합하여 차원 증가에 따른 매개변수 팽창 문제를 해결한다. AECM 알고리즘과 일반화 최소제곱 추정량을 통해 매개변수를 추정하며, 라만 분광법 및 초분광 텍스처 데이터셋 적용을 통해 서로 다른 공간 패턴을 정확히 구별하는 성능을 입증한다.

arXiv:2606.30659v1stat.ME

공간적 소지역 추정을 위한 말굽 사전분포: 정규 변동, 꼬리 강건성, 그리고 심층 학습

Horseshoe Priors for Spatial Small Area Estimation: Regular Variation, Tail Robustness, and Deep Learning

소지역 추정(Small area estimation)의 두 가지 접근법인 구조적 공간 스무딩과 말굽(horseshoe) 사전분포 기반 전역-지역 축소(global-local shrinkage)를 이분산 Fay-Herriot 모델에서 이론적으로 비교하며, 이분산 Tweedie 항등식을 통한 꼬리 강건성 정리와 미니맥스 수축률 달성을 증명한다. 스코틀랜드 구순암 데이터 분석에서 공간적 구조가 강한 경우 스무더가 예측력이 높은 반면, 말굽 사전분포는 스무딩이 억제하는 예외 지역을 효과적으로 식별함을 보인다.

arXiv:2606.13827v2math.NA

리만 다양체의 잘 중심화된 삼각분할에 대한 가우시안 Whittle-Matérn 필드 근사

Approximating Gaussian Whittle-Matern Fields over Well-Centered Triangulations of Riemannian Manifolds

마르코프 Whittle-Matérn 필드는 편미분 방정식(SPDE)의 두 매개변수족, \[ (κ^2 - Δ)^{α/2} u = \mathcal{W}, \;\; κ\in \mathbb{R}, \; α\in \mathbb{N}. \], 에 대한 유한 요소 근사를 사용하여 희소 정밀도 행렬을 갖는 이산 가우스 마르코프 랜덤 필드(GMRF)로 수렴적으로 근사되어 왔습니다. 이산 외적 미적분학(DEC) 해석의 최근 발전을 활용하여, 우리는 잘 중심화된 단체 복합체로 이산화된 완비하고 경계가 없는 리만 다양체 위에서 이러한 Matérn 필드에 대해 서로 다르지만 긴밀하게 관련된 수렴적 GMRF 근사를 제시합니다. 이 수렴적 방법은 (i) $α, κ$에 무관하므로 전체 $(α, κ)$-족 GMRF의 정밀도 및 공분산 행렬에 대한 범용 근사 기법을 가능하게 하여, 이를 추측이 아닌 추론을 통해 도출할 수 있게 합니다. (ii) 랜덤 필드의 점별 및 구간별 평활화된 측정값을 본질적으로 모델링하며 두 경우를 모두 동등하게 잘 근사합니다. (iii) 사용된 보간 함수에 대해 계산적으로 독립적이며, 동일한 메쉬에서 하나의 수렴적 보간 함수를 다른 적절한 보간 함수로 대체하더라도 오버헤드가 발생하지 않습니다. 또한, 우리는 정확한 의미에서 잘 연결되어 있고 부피가 집중된 이산화에서 정밀도 행렬이 그래프 라플라시안의 스펙트럼 함수임을 보여줍니다. 우리는 이러한 Matérn GMRF 족에 대한 저차근 근사자를 제공하고, 압축 센싱을 통해 GMRF를 모델링하는 데 필요한 측정 횟수를 줄이는 사용 사례를 언급합니다.