PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.31804v2cs.LG

그래프 기반 에너지 시계열의 불확실성 정량화를 위한 문맥 내 잔차 보정

In-Context Residual Calibration for Uncertainty Quantification of Energy Time Series over Graphs

정확한 에너지 수요 예측은 현대 지속 가능한 에너지 시스템의 안정적인 운영과 계획 수립에 필수적입니다. 시공간 그래프 신경망(STGNN)은 상호 연결된 에너지 노드 간의 시간적 동역학과 관계적 의존성을 공동으로 모델링하여 점 예측(point forecasting)에서 최근 뛰어난 성능을 달성했습니다. 그러나 실제 에너지 시스템에서는 정확한 점 예측만으로는 불충분하며, 운영자는 불확실성 상황에서의 위험 인식 의사결정, 그리드 안정성 및 운영 계획을 지원하기 위해 신뢰할 수 있는 불확실성 추정치 또한 필요로 합니다. 등가성(exchangeability) 가정 하에서 불확실성 정량화를 위한 원칙적이고 모델 불가지론적인(model-agnostic) 프레임워크를 제공하는 컨포멀 예측(conformal prediction)은 안전이 중요한 에너지 응용 분야에서 특히 매력적입니다. 하지만 기존의 컨포멀 예측 접근 방식은 에너지 시스템의 복잡한 시공간 구조를 온전히 포착하지 못하는 경우가 많습니다. 이러한 한계를 해결하기 위해, 본 논문에서는 그래프 기반 예측과 정형 파운데이션 모델(tabular foundation model)의 문맥 내 학습(ICL) 기능을 통합한 컨포멀 기반 사후 잔차 보정 프레임워크인 STOIC(Spatial-Temporal uncertainty quantificatiOn via In-Context learning)를 제안합니다. STOIC은 먼저 STGNN을 사용하여 점 예측을 생성한 다음, 시공간 잔차를 문맥 내 학습에 적합한 정형 표현으로 재구성합니다. 정형 파운데이션 모델을 활용하여 STOIC은 보정 모델의 작업별 재학습 없이도 특징 조건부 잔차 분위수를 추정하며, 순차적 의존성과 관계적 의존성을 모두 효과적으로 포착합니다. STOIC은 컨포멀에서 영감을 얻은 잔차 보정 방법으로 보아야 하며, 임의의 시간적 의존성 하에서 그 자체로 유한 표본 분포 무관(distribution-free) 커버리지 보장을 제공하지는 않습니다...

arXiv:2605.02003v3cs.LG

RamanBench: 라만 분광법 머신러닝을 위한 대규모 벤치마크

RamanBench: A Large-Scale Benchmark for Machine Learning on Raman Spectroscopy

머신러닝(ML)은 여러 과학 분야를 변화시켰으나, 핵심 응용 분야에는 여전히 표준화된 벤치마크가 부족합니다. 비침습적 분자 분석에 널리 사용되는 기술인 라만 분광법(Raman spectroscopy)은 파편화된 데이터셋, 일관되지 않은 평가, 그리고 분광 데이터의 구조를 포착하지 못하는 모델들로 인해 발전이 제한되어 온 대표적인 분야입니다. 본 연구에서는 간소화된 데이터 접근, 평가 프로토콜 및 코드, 그리고 실시간 리더보드로 구성된, 라만 분광법 ML을 위한 최초의 재현 가능한 대규모 벤치마크인 RamanBench를 소개합니다. RamanBench는 4개 도메인에 걸친 74개 데이터셋(본 벤치마크와 함께 최초 공개된 16개 포함)을 통합하며, 325,668개의 스펙트럼으로 구성되고 다양한 실험 조건에서의 분류(classification) 및 회귀 태스크를 포괄합니다. 저자들은 표준화된 프로토콜에 따라 고전적 방법(예: PLS), 라만 특화 모델(예: RamanNet), 정형 파운데이션 모델(TFM)(예: TabPFN), 시계열 접근법(예: ROCKET)을 포함한 28개 모델을 벤치마킹했습니다. TFM은 도메인 특화 모델 및 그래디언트 부스팅(gradient boosting) 베이스라인보다 지속적으로 우수한 성능을 보였으며, 시계열 모델 또한 경쟁력 있는 성능을 유지했습니다. 그러나 모든 데이터셋에 걸쳐 일반화되는 방법은 없어 근본적인 격차가 드러났습니다. 따라서 본 연구에서는 의료 진단, 생물학 연구, 재료 과학과 같은 중요 응용 분야의 발전을 가속화할 잠재력을 지닌 이 살아있는 벤치마크에 커뮤니티가 새로운 접근 방식을 기여하도록 제안합니다.

arXiv:2607.09751v1cs.AI

농업 예측 작업에서 머신러닝 성능 향상을 위한 작업 조건부 합성 데이터 생성

Task-Conditioned Synthetic Data Generation for Improving Machine Learning Performance in Agricultural Prediction Tasks

머신러닝(ML) 알고리즘은 다양한 맥락에서 농업 변수를 추정하는 데 널리 활용되어 왔다. 그러나 학습 데이터의 양과 질이 ML 알고리즘의 성능에 큰 영향을 미치기 때문에, 참조 데이터가 부족하거나 불완전한 경우 그 활용이 제한될 수 있다. 합성 데이터 생성(SDG)은 원본 데이터의 주요 특성을 보존하는 인공적이지만 현실적인 샘플을 생성함으로써 이 문제를 해결하는 실용적인 접근법을 제공한다. 본 연구는 교사-학생 지식 증류(knowledge transfer)와 표 형식 데이터에 대한 문맥 내 학습(ICL)을 기반으로, 베이지안 네트워크 생성기와 트랜스포머 기반 표 형식 파운데이션 모델(TabICL)을 결합한 작업 조건부 SDG(TCSDG) 알고리즘을 제안한다. 제안된 알고리즘은 작물 수확량 예측과 작물 유형 분류(classification)의 두 가지 농업 예측 작업에서 평가되었다. 또한 6가지 벤치마크 SDG 알고리즘을 활용하여 TCSDG와의 성능을 비교하였다. 12개 연구 지점, 2가지 학습(training) 데이터 비율, 4가지 증배 비율, 3가지 예측 ML 알고리즘에 걸쳐, 원본 데이터에 TCSDG 생성 합성 데이터를 증강하면 작물 유형 분류 실험의 89%, 작물 수확량 예측 실험의 74%에서 ML 성능이 향상되었다. TCSDG는 벤치마크 SDG 알고리즘들을 크게 능가했으며, 집계 수준에서 두 작업 모두에 걸쳐 일관되게 ML 성능을 향상시킨 유일한 방법이었다. 본 연구는 신중하게 설계되고 처리된 합성 데이터가 정밀 농업(precision-agriculture) 응용 분야에서 ML 성능을 향상시킬 수 있음을 입증한다. TCSDG는 농업 ML 예측의 다운스트림 작업을 지원하는 합성 데이터를 생성하기 위한 실용적이고 확장 가능한 프레임워크를 제공한다. TCSDG의 전체 구현은 https://github.com/HamidEbrahimy/TCSDG 에서 오픈 소스로 공개되어 있다.