PyTorchKR Papers

최신 논문

총 4편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2603.23746v2cs.LG

크로네커 구조 비모수 시공간 점 과정

Kronecker-Structured Nonparametric Spatiotemporal Point Processes

시공간 도메인의 이벤트는 다양한 실세계 응용에서 발생하며, 이벤트 간 관계를 밝혀내고 정확한 예측을 가능하게 하는 것이 핵심 과제입니다. 고전적인 포아송 과정(Poisson process)과 호크스 과정(Hawkes process)은 복잡한 상호작용 패턴을 포착하는 능력을 제한하는 제약적인 모수적 가정에 의존하는 반면, 최근의 신경 점 과정(neural point process) 모델은 표현 용량을 높이지만 이벤트 정보를 블랙박스 방식으로 통합하여 해석 가능한 관계 발견을 저해합니다. 이러한 한계를 극복하기 위해, 우리는 높은 모델링 유연성을 유지하면서 이벤트 간 관계의 투명한 발견을 가능하게 하는 크로네커 구조 비모수 시공간 점 과정(KSTPP)을 제안합니다. 우리는 배경 강도를 공간적 가우시안 과정(GP)으로, 영향 커널을 시공간 GP로 모델링하여 흥분, 억제, 중립, 시변 효과를 포함한 풍부한 상호작용 패턴을 허용합니다. 확장 가능한 학습과 예측을 위해, 분리 가능한 곱 커널을 채택하고 구조적 격자 위에서 GP를 표현하여 크로네커 구조의 공분산 행렬을 유도합니다. 크로네커 대수를 활용하면 계산 비용이 크게 절감되고 모델이 대규모 이벤트 컬렉션에 확장될 수 있습니다. 또한, 다루기 어려운 가능도 적분을 효율적으로 평가하기 위해 텐서곱 가우스-르장드르 구적법(tensor-product Gauss-Legendre quadrature) 방식을 개발합니다. 광범위한 실험을 통해 우리 프레임워크의 효과성을 입증합니다.

arXiv:2603.07108v2stat.ML

전염병 확률적 예측을 위한 심층 생성 시공간 엔그레션

Deep Generative Spatiotemporal Engression for Probabilistic Forecasting of Epidemics

전염병의 시공간적 확률 예측을 위해 사전 가산 잡음(pre-additive noise) 메커니즘과 에너지 스코어 최적화를 결합한 경량 심층 생성 프레임워크 MVEN, GCEN, STEN을 제안하며, 이 모델들은 불확실성을 내생적으로 정량화하여 별도의 보정 없이 예측 구간을 생성한다. 6개 역학 데이터셋에 걸친 평가에서 기존 시공간 벤치마크 대비 점 예측과 확률적 예측 모두에서 우수한 성능을 보였으며, 시공간 엔그레션 과정의 기하학적 에르고딕성과 점근적 정상성에 대한 이론적 보장도 확립하였다.

arXiv:2606.17668v1cs.LG

ASTEROID: 분자 동역학의 다중 스텝 시계열 예측을 위한 시공간 정보 트랜스포머

ASTEROID: A Spatiotemporal Information Transformer for Forecasting Multi-Step Time Series of Molecular Dynamics

분자 동역학(MD) 시뮬레이션은 계산 비용이 많이 들며, 특히 장기 분석이 필요한 대규모 시스템의 경우 그렇습니다. MD 시뮬레이션 결과의 정확한 예측은 매력적인 과학적 도전 과제일 뿐만 아니라 상당한 실용적 가치도 지닙니다. 본 연구에서는 기존의 반복적 적분(iterative integration)을 피하고 다중 스텝 원자 좌표를 직접 예측할 수 있는 데이터 기반 프레임워크인 ASTEROID (Advanced Spatiotemporal TransformER fOr Inferring Dynamics)를 개발했습니다. 이를 위해 ASTEROID는 MD 궤적을 고차원 시공간 시퀀스로 재구성하고 시공간 정보(STI) 변환 방정식을 트랜스포머(Transformer) 아키텍처에 통합합니다. ASTEROID의 핵심 혁신은 다중 스케일 시공간 의존성을 모델링하는 능력에 있습니다. 특히 공간적 의존성의 경우, 로컬-글로벌 셀프 어텐션(self-attention) 메커니즘이 단거리 및 장거리 상호작용을 모두 포착합니다. 시간적 의존성의 경우, 인코더-디코더 구조가 글로벌 컨텍스트와 자기회귀 예측(autoregressive forecasting)을 통합합니다. ASTEROID는 여러 양자 역학 기반 분자 데이터셋에서 평가되었습니다. 결과에 따르면 ASTEROID는 다양한 벤치마크에서 기존 방법보다 다중 스텝 예측에서 더 높은 정확도를 달성했을 뿐만 아니라 기존 MD 시뮬레이션의 계산 비용을 획기적으로 줄였습니다. 또한, 이 모델은 확장된 시간 규모에 걸쳐 반복적인 다중 스텝 예측을 지원합니다. 이 연구는 MD 시뮬레이션 가속을 위한 강력하고 일반화 가능한 데이터 기반 패러다임을 확립합니다.

arXiv:2510.08073v2cs.CV

물리 기반 시공간 모델링을 통한 AI 생성 영상 탐지

Physics-Driven Spatiotemporal Modeling for AI-Generated Video Detection

AI 생성 영상은 거의 완벽한 시각적 사실성(예: Sora)을 달성하여, 신뢰할 수 있는 탐지 메커니즘이 시급히 필요합니다. 그러나 이러한 영상을 탐지하는 것은 고차원 시공간 역학을 모델링하고 물리 법칙을 위반하는 미세한 이상 징후를 식별하는 데 있어 중대한 과제에 직면해 있습니다. 본 논문에서는 확률 흐름 보존 원칙에 기반한 최초의 물리 기반 AI 생성 영상 탐지 패러다임을 제안합니다. 구체적으로, 공간 확률 그래디언트와 시간적 밀도 변화의 비율을 정량화하여 자연스러운 영상 역학에서의 편차를 명시적으로 포착하는 정규화 시공간 그래디언트(Normalized Spatiotemporal Gradient, NSG)라는 통계량을 제안합니다. 사전학습된 디퓨전 모델을 활용하여, 복잡한 모션 분해 없이 물리적 제약 조건을 유지하면서 공간 그래디언트 근사와 모션 인식 시간적 모델링을 통해 NSG 추정기를 개발합니다. 이를 바탕으로, 테스트 영상과 실제 영상의 NSG 특징 간의 최대 평균 차이(Maximum Mean Discrepancy, MMD)를 탐지 지표로 계산하는 NSG 기반 영상 탐지 방법(NSG-VD)을 제안합니다. 마지막으로, 실제 영상과 생성 영상 간의 NSG 특징 거리에 대한 상한을 도출하여, 생성 영상이 분포 변화로 인해 증폭된 불일치를 나타냄을 증명합니다. 광범위한 실험을 통해 NSG-VD가 최신 기준 모델 대비 재현율(Recall)에서 16.00%, F1 점수(F1-Score)에서 10.75% 우수한 성능을 보여 NSG-VD의 우수성을 입증했습니다. 소스 코드는 https://github.com/ZSHsh98/NSG-VD에서 확인할 수 있습니다.