PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.03171v1cs.LG

시간적 네트워크 상의 분산 연합학습: 이질성의 역할

Decentralised Federated Learning over Temporal Networks: The Role of Heterogeneities

분산 연합학습(decentralised federated learning) 과정이 초기 및 정상 상태 모두에서 시간적 네트워크 위의 lazy random-walk 확산 과정과 동일한 역학으로 지배됨을 이론적으로 규명하고, 실제 시간적 네트워크 분석을 통해 구조적·시간적 불균일성이 수렴을 극적으로 지연시키며 기존 실험 환경이 수렴 속도를 비현실적으로 과대 평가한다는 점을 입증한다.

arXiv:2606.07151v1cs.LG

레짐 변화 탐지를 위한 동적 그래프의 측지선

Geodesics of Dynamic Graphs for Regime Change Detection

동적 네트워크에서의 전통적인 변화점(change point) 탐지는 정상 상태 사이의 급격한 전환을 가정하여, 소셜 네트워크나 물리 시스템과 같이 대부분의 실제 응용에서 나타나는 연속적 진화 시나리오를 간과한다. 우리는 시간 그래프(temporal graph)에서 일관된 동역학이 지속되는 기간을 레짐(regime)으로 공식적으로 정의하고, 이를 적절히 정의된 그래프 공간(graph space)에서 측지선을 따르는 궤적으로 특성화함으로써 이 공백을 해소한다. 이 독창적인 관점은 레짐 변화를 동역학의 유의미한 표류로 정의할 수 있게 하며, 이는 새로운 궤적을 향한 변화이거나 속도 변화일 수 있다. 우리는 관련 그래프 공간에서 양 끝점 사이의 추정 측지선으로부터 관측된 그래프 시퀀스의 누적 거리를 측정하기 위해 그래프 회귀(graph regression) 방법을 활용하며, 이를 변화점 탐지 알고리즘과 결합할 수 있다. 변화하는 궤적과 다양한 속도를 갖는 동적 네트워크에 대한 실험을 제시하며, 그 결과 최신 변화점 탐지 모델들을 능가한다. 그다음 코로나19 팬데믹 기간의 이동성(mobility) 데이터를 분석하여, 규칙적인 네트워크 진화에 대한 우리의 가정이 기준선 방법의 결과에 비해 외부 사건과 더 잘 부합하는 변화점을 이끌어냄을 보인다. 우리의 연구는 그래프 공간에서 진화하는 레짐 사이의 변화를 모델링하고 탐지한 최초의 시도이며, 복잡한 시간 그래프 데이터 분석을 위한 현실적이고 강력한 도구를 제공한다.