PyTorchKR Papers

최신 논문

총 15편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.15862v1cs.LG

박판 구형 셸 캡의 강건한 노크다운 팩터 예측 및 신뢰도 기반 설계를 위한 하이브리드 가우스 과정-Extreme Gradient Boosting 머신러닝 프레임워크

A Hybrid Gaussian Process-Extreme Gradient Boosting Machine Learning Framework for Robust Knockdown Factor Prediction and Reliability-Based Design of Thin Spherical Shell Caps

실험을 통해 선형화된 고유좌굴(eigen-buckling) 해석으로 예측된 임계 하중보다 실제 임계 하중이 크게 감소하는 것으로 나타남에 따라, 탄성 좌굴은 깊은 구형 셸 캡(spherical shell cap) 설계에서 여전히 중요한 과제로 남아 있습니다. 이러한 불일치는 초기 기하학적 결함 때문인 것으로 여겨지며, 종종 무차원 매개변수(parameter)인 노크다운 팩터(knockdown factor, KDF)를 통해 보정됩니다. 그러나 기존의 KDF(NASA SP-8007, Eurocode 3)는 방대한 실험 데이터의 하한값을 나타내므로 지나치게 보수적입니다. 본 연구는 구형 셸 좌굴에 대한 실험 데이터로 학습된 머신러닝(ML) 회귀 모델(model)을 통해 구형 셸 캡에 대한 KDF의 보수성을 줄이는 것을 목표로 합니다. 본 논문에서는 가우스 과정 회귀(Gaussian Process Regression, GPR)와 Extreme Gradient Boosting(XGBoost)을 결합한 하이브리드 모델을 제안하며, 인공신경망(Artificial Neural Network, ANN), 서포트 벡터 회귀기(Support Vector Regressor, SVR), 랜덤 포레스트 회귀기(Random Forest Regressor, RFR), 히스토그램 기반 그래디언트(gradient) 부스팅(Histogram-based Gradient Boosting, HGBoost) 등 기존 ML 알고리즘 대비 향상된 성능을 입증합니다. 이러한 각 모델은 6개의 입력 특징(feature)과 단일 출력인 KDF를 사용합니다. 감도 분석을 통해 KDF에 영향을 미치는 가장 핵심적인 특징을 규명합니다. 마지막으로, 본 연구는 안전성을 일관되게 유지하면서도 덜 보수적인 KDF를 도출하기 위해 예측 ML 모델에 의존하는 신뢰도 기반 설계 프레임워크를 제시하며 마무리됩니다.

arXiv:2607.22081v1cs.LG

다중 클래스 분류를 위한 누출 없는 스택 앙상블 방법

A Leakage-Free Stacked Ensemble Method for Multiclass Classification

다중 클래스 분류는 다양한 영역에서 기본적인 문제이다. 높은 클래스 간 유사성, 클래스 불균형 데이터셋, 데이터 분포의 변동성으로 인해 여전히 어려운 과제이다. XGBoost와 같은 규칙 기반 분류기는 구조화된 특성에서 더 강한 성능을 달성하는 경우가 많지만, 변수 간의 매끄러운 함수적 관계를 포착하는 데는 한계가 있다. 마찬가지로 신경망 모델은 복잡한 비선형 상호작용을 표현할 수 있지만 과적합과 일반화 문제에 자주 취약하다. 이러한 한계를 해결하기 위해, 우리는 Kolmogorov-Arnold Networks(KAN)를 이용한 함수적 학습과 XGBoost를 통한 규칙 기반 학습을 통합하여 견고한 다중 클래스 분류를 수행하는 누출 없는 스택 앙상블 프레임워크 LFS-FRAME을 제안한다. 제안된 프레임워크는 엄격한 out-of-fold 스택킹 전략을 사용하여 편향되지 않은 메타 특성을 구성하고, 학습과 검증 데이터 간의 완전한 격리를 보장함으로써 성능 누출을 방지한다. 이질적인 기본 학습기의 확률적 출력 위에서 학습함으로써, 메타 분류기는 복잡한 데이터에 존재하는 전역적 함수 패턴과 날카로운 결정 경계를 모두 효과적으로 활용한다. 다중 클래스 데이터셋에 대한 실험 평가에서 LFS-FRAME은 성능 지표를 개선했으며, 전체 정확도는 주요 패밀리 식별에서 89.85%, 하위 패밀리 식별에서 81.74%로, 강력한 단일 모델 베이스라인 대비 향상되었다. 이러한 결과는 신뢰할 수 있고 일반화 가능한 다중 클래스 분류를 위해 누출 없는 함수적 및 규칙 기반 스택킹의 효과를 보여준다.

arXiv:2607.15258v1cs.LG

블록체인 활동으로부터 시장 감성 해독: 데이터 기반 감성 분류기

Decoding Market Emotion from Blockchain Activity: A Data-Driven Sentiment Classifier

비트코인이 탈중앙화 디지털 자산 및 투자 도구로서 점점 더 널리 사용됨에 따라, 그 시장 행동을 이해하려는 관심이 크게 높아졌다. 본 연구는 온체인(on-chain) 및 금융 데이터와 소셜 미디어 게시물을 결합하여 비트코인 시장 감성을 분석하는 새로운 접근법을 제시한다. 가격 예측을 목표로 하는 모델과 달리, 본 연구는 블록체인 거래, 비트코인 역사적 가격 데이터, 일별 Twitter 감성 분류를 사용하여 시장 감성을 설명하는 데 초점을 둔다. 해당 방법은 감성 추세를 온체인 및 금융 지표와 병합하고, 상세한 시장 분석을 위해 이를 정규화(normalization)하여 데이터셋으로 구성한다. 교차 검증(cross-validation)을 통해 여러 머신러닝 모델을 테스트한 결과, Gradient Boosting(XGBoost)이 감성 분류에 가장 신뢰할 수 있는 모델로 확인되었으며, 평균 F1-score는 약 0.84를 달성했다. SHAP(SHapley Additive exPlanations)은 모델 해석 가능성을 위한 게임 이론 기반 방법으로, 온체인 특징이 모델 예측에 기여하는 정도를 정량화하는 데 사용되어 투명성을 높였다. 결과는 이 데이터 조합이 의미 있는 예측 신호와 통찰을 제공함을 보여주며, 데이터 기반 암호화폐 분석과 심층 학습을 통한 향후 개선을 뒷받침한다.

arXiv:2604.22433v2cs.LG

물리적 표면에서 인간 중심 열 스트레스까지: LST와 UTCI 열 지도화가 드러내는 도시 형태의 비선형 효과

From physical surfaces to human-centric heat stress: LST and UTCI heat mapping reveals nonlinear effects of urban morphology

열 노출은 건조 환경과 공중 보건을 연결하며, 도시 지역의 거주 적합성과 지속가능성을 직접적으로 형성한다. 열 노출의 공간적 이질성과 그 동인을 이해하는 것은 기후 적응형 도시 계획에 필수적이다. 그러나 대부분의 계획 지향 연구는 지표면 온도(LST)에 의존하며, LST가 인간의 열 노출을 충분히 대표하는지, 그리고 생리학적으로 관련 있는 열 스트레스와 어떻게 다른지는 충분히 검토되지 않았다. 본 연구는 싱가포르에서 Landsat으로 검색한 30m 해상도 LST와 GPU 가속 1m 해상도 보편 열기후 지수(UTCI)를 이용하여, 두 지표 간 공간적·기제적 차이를 체계적으로 평가하는 포괄적인 "Modeling-Comparing-Assessing" 프레임워크를 수립한다. 또한 새로운 지리 가중 XGBoost(GW-XGBoost)와 일반화 가법 모델(GAM) 워크플로를 통해 도시 요인과의 뚜렷한 비정상성 및 임계값 기반 관계를 추가로 조사한다. 결과는 LST와 UTCI의 공간 패턴에 상당한 차이가 있음을 보여주며, 설명 가능한 GW-XGBoost 모델(LST 테스트 R² = 0.855, UTCI 0.905)로 입증된 바와 같이 2D 및 3D 도시 요인이 이러한 열 지표에 미치는 영향에 뚜렷한 공간적 이질성이 존재한다. 특히 공간적으로 명시적인 SHAP 분석은 하늘 가시 계수(sky view factor)가 UTCI 변동을 설명하는 데 핵심 역할을 하지만 LST에는 비교적 미미한 독립적 기여를 보인다는 점을 나타내며, 이는 LST가 실제 인간 열 스트레스를 지배하는 차광 유발 및 복사 과정을 충분히 포착하지 못함을 시사한다. 또한 SHAP-GAM 분석은 더 높은 반사율(albedo)이 UTCI 증가와 관련됨을 보여준다. 이러한 발견은 생리학적으로 관련 있는 열 지수를 통합하여 표적화된 열 위험 관리와 인간 중심 도시 계획을 지원하기 위한 모델 기반 계획 시사점을 제공한다.

arXiv:2607.04416v2cs.LG

호흡기 질환의 환경적 요인: 지역구 수준 분석

Environmental Drivers of Respiratory Disease: A District Level Analysis

스리랑카 25개 행정 지역구의 11년(2014-2024) 패널 데이터를 구축하여 위성 기반 식생 지수, 대기오염물질(PM2.5, NO2, SO2), 산림 황폐화 지표를 XGBoost 모델로 학습한 결과, 지역구 단위 호흡기 질환율(R²=0.937)과 월별 PM2.5 농도(R²=0.976)를 높은 정확도로 예측했다. SHAP 분석을 통해 누적 대기질 부담이 호흡기 질환율 분산의 80.1%를 설명하는 압도적 요인임을 규명하고, 이를 기반으로 Forest-Air-Health(FAH) 위험 지수를 산출해 콜롬보, 감파하, 칼루타라를 최고위험 지역구로 식별했다.

arXiv:2606.29248v2cs.LG

일주일 만에 가격이 두 배로 오를 때: 수입 고립 시장에서의 농산물 변동성 예측

When Prices Double in a Week: Forecasting of Agricultural Volatility in Import-Isolated Markets

공급망 인식 피처와 스리랑카의 두 재배 시즌(Maha/Yala)을 명시적으로 모델링한 XGBoost+LightGBM 그래디언트 부스팅 앙상블 프레임워크로 수입 고립 시장의 채소 가격 변동성을 예측한다. 통합 모델은 90.84% 예측 정확도(R²=0.9281)를 달성하였으며, 재학습 없이 2024년 초인플레이션 기간에도 85.96% 정확도를 유지하며 기존 ARIMA/GARCH 단일 시장 접근법의 한계를 극복하였다.

arXiv:2607.01679v1cs.CR

Beyond Gradient-Based Attacks: Adversarial Robustness and Explainability Stability in Cybersecurity Classifiers

사이버보안 분류기(Random Forest, XGBoost)에 대한 적대적 공격(adversarial attack)의 이중 위협—예측 정확도 저하와 SHAP 기반 설명 불안정—을 분석하며, 예측 강건성(Robustness Index)과 독립적으로 측정해야 하는 새로운 지표인 설명 안정성 지수(Explainability Stability Index, ESI)를 제안한다. 특히 그래디언트 기반 블랙박스 공격(ZOO)이 XGBoost의 불연속 예측 곡면으로 인해 허위 강건성(RI ≈ 0.98)을 보이는 반면, 스코어 기반 Square Attack은 실제 취약성(RI ≈ 0.36)을 드러냄을 4개 보안 데이터셋 실험을 통해 입증한다.

arXiv:2606.29324v1cs.LG

LEO 위성 인터넷의 지연 측정값에서 지역 수준 시그니처 해독

Deciphering Region-Level Signatures from Latency Measurements in LEO Satellite Internet

Starlink RTT 측정값을 활용해 저궤도 위성 인터넷의 지역별 지연 시그니처를 식별하는 문제를 다루며, 원시 RTT 시퀀스를 다중 스케일 통계 특징으로 변환하는 계층적 분석 프레임워크를 제안한다. 5개 지역 데이터를 대상으로 XGBoost 기반 분류 모델이 단기 데이터에서 83% 정확도를 달성했으나, 장기적으로는 성능이 저하되어 적응형 모델의 필요성을 제기한다.

arXiv:2606.22780v1cs.LG

드래곤플라이 알고리즘과 생성적 적대 신경망 오버샘플링을 활용한 약물 영향 집단의 설명 가능 AI 정신 건강 예측

Explainable AI for Mental Health Prediction in Drug-Affected Populations with Dragonfly Algorithm and GAN Oversampling

약물 사용자들 사이의 정신 질환은 국제적으로 증가하는 문제이며, 특히 조기 발견을 쉽게 수행할 수 없는 지역에서 두드러진다. 현재 문헌은 약물 사용자에 대한 AI 기반 정신 건강 분석의 활용을 대체로 간과하는 경향이 있으며, 클래스 불균형 처리의 낮은 품질, 낮은 해석 가능성, 부적절한 하이퍼파라미터 최적화는 예측 품질과 임상적 유용성을 저하시킬 수 있다. 본 연구는 약물 영향을 받은 사람들의 다차원 데이터셋을 사용하여 다중 클래스 정신 건강 예측을 위한 상세하고 설명 가능한 머신러닝(ML) 모델을 제시한다. 우리는 기존 방법의 일부 한계를 해결하기 위해 하이브리드 PCA-정보 이득(PCA-IG) 특징 선택, 생성적 적대 신경망(GAN) 기반 오버샘플링, 드래곤플라이 알고리즘(DA)으로 최적화된 XGBoost를 결합한다. 제안된 프레임워크는 고차원 범주형 데이터를 효과적으로 처리하고, 클래스 불균형 문제를 해결하며, 지능형 하이퍼파라미터 튜닝을 통해 예측 성능을 향상시킨다. 실험 결과, GAN 기반 오버샘플링과 함께 DA로 최적화된 XGBoost 모델은 정확도 94.17%, 가중 F1 점수 93.80%를 달성하여 전통적 모델 및 기준선 모델보다 우수한 성능을 보였다. 행동, 생활습관, 건강 요인—특히 수면의 질, 신체 건강, 감정 조절—은 정신 건강을 강하게 예측하며, 특징 분석을 통해 인구통계학적 요인은 영향이 미미함을 확인하였다. SHAP 기반 설명 가능 AI는 이해하기 쉬운 개별 사례 수준의 정보를 제공하여, 임상 환경에서 사용될 모델의 해석 가능성과 신뢰성을 높인다. 결과는 이 프레임워크가 유효한 정신 건강 예측 도구를 생성할 잠재력을 가지며, 이는 조기 개입을 촉진하고 약물 영향을 받은 사람들의 치료를 개선할 수 있음을 시사한다.

arXiv:2606.20918v1cs.LG

날씨, 달력, COVID-19 지표를 활용한 하이브리드 트랜스포머-XGBoost 프레임워크 기반 뉴잉글랜드 단기 전력 수요 예측

Short-Term Electricity Demand Forecasting for New England Using a Hybrid Transformer-XGBoost Framework with Weather, Calendar, and COVID-19 Indicators

정확한 단기 전력 수요 예측은 안정적인 전력 시스템 운영, 에너지 시장 계획, 인프라 최적화에 필수적이다. 본 논문은 트랜스포머 인코더를 이용한 시간적 특징 추출과 그래디언트 부스팅 의사결정 트리(XGBoost)를 결합한 하이브리드 프레임워크를 제시하며, 뉴잉글랜드 전역의 일별 전력 수요를 예측한다. 이 프레임워크는 뉴잉글랜드 6개 주에 걸친 6개 도시의 기상 관측 데이터, 달력 및 공휴일 효과, 자기회귀적 수요 시차(lag), 그리고 COVID-19 역학 변수를 통합한다. 하이퍼파라미터 최적화는 Optuna와 다변량 트리 구조 Parzen 추정기를 사용하여 500회 시도를 수행하며, 데이터 누출이 없는 70/15/15 시간 순서 기반 학습-검증-테스트 분할을 적용한다. 하이브리드 모델은 테스트 RMSE 8,876 MWh, MAPE 2.05%, R² 0.906을 달성한다. 표 형식 데이터만 사용하는 XGBoost 기준선은 RMSE 9,304 MWh, MAPE 2.21%, R² 0.896을 달성한다. Diebold-Mariano 검정(Harvey-Leybourne-Newbold 보정)은 427.7 MWh의 차이가 통계적으로 노이즈와 구별되지 않음을 확인한다(DM = -1.126, p = 0.262). 에블레이션 연구에 따르면 COVID-19 특징은 학습 정확도를 향상시켰으나 테스트에서 비대칭적 효과를 나타냈다: 제거 시 하이브리드 RMSE는 3.2% 저하된 반면 XGBoost 단독 모델은 1.2% 소폭 개선되었다. SHAP 시간적 분석은 8개 COVID 특징 중 5개가 팬데믹 활성 학습 기간보다 급성기 이후 테스트 세트에서 더 높은 순위를 보임을 나타내며, 이는 모델이 학습된 팬데믹 패턴을 과도하게 적용함을 시사한다. 이러한 결과는 시간적 타당성 감쇠(temporal validity decay)를 핵심 메커니즘으로 확립한다: 행동 변화가 2020~2021년 동안 강력한 COVID-수요 신호를 생성했으나, 2022년 중반까지 적응이 완료되어 역학적 특징들이 오래된 팬데믹 패턴에 대한 과적합을 증폭시키는 노이즈로 남게 되었다.

arXiv:2606.21130v1cs.AI

하이퍼스케일 데이터 센터에서 AI 워크로드 급증 시 용량 스트레스에 대한 버스트 인식 조기 경보 모델 학습

Learning Burst-Aware Early Warning Models for Capacity Stress under AI Workload Surges in Hyperscale Data Centers

대규모 AI 워크로드, 특히 대규모 언어 모델(LLM) 학습과 추론의 급속한 성장은 하이퍼스케일 데이터 센터의 운영 역학을 근본적으로 재편하고 있습니다. 전통적인 클라우드 워크로드와 달리, AI 기반 작업은 버스트성, 고강도, 급격히 변화하는 리소스 수요를 보이며, 이는 종종 사후 대응형 임계값 기반 메커니즘으로는 효과적으로 대처할 수 없는 갑작스러운 용량 스트레스를 초래합니다. 본 논문에서는 AI 워크로드 급증 하에서 선제적 용량 스트레스 예측을 위한 배포 지향적, 버스트 인식 조기 경보 프레임워크를 제안합니다. 우리는 이 문제를 다변량 원격 측정(telemetry) 윈도우에 대한 고재현율(high-recall) 예측 과제로 공식화하며, 시스템 성능 저하가 발생하기 전에 운영 개입을 가능하게 하는 것을 명시적 목표로 합니다. 제안된 프레임워크는 워크로드 강도, 시간적 변화, 시스템 압력 신호를 통합하고, 고도로 불균형한 환경에서 비선형 상호작용을 포착하기 위해 경량 트리 기반 학습 모델을 사용합니다. 현실적인 조건에서 시스템을 평가하기 위해, 대규모 AI 시스템에서 관측되는 버스트 주도 수요 패턴을 시뮬레이션하는 AI 워크로드 급증 주입 방법론을 도입합니다. XGBoost 기반 모델은 ROC AUC 0.697과 AP 0.670을 달성하여 기준선 방법을 크게 능가합니다. 배포 지향적 임계값 선택 하에서, 이 프레임워크는 재현율 0.914를 달성하여 허용 가능한 오경보 비용으로 스트레스 취약 기간의 대부분을 탐지할 수 있게 합니다. 예측 성능을 넘어, 제안된 프레임워크가 운영 제어 루프에 통합되어 워크로드 스로틀링(workload throttling) 및 리소스 스케일링과 같은 선제적 조치를 지원하는 방식을 보여줍니다. 우리의 결과는 AI 기반 워크로드 시대에 회복력 있고 적응적인 데이터 센터 운영을 가능하게 하는 고재현율, 학습 기반 조기 경보 시스템의 실용적 가치를 강조합니다.

arXiv:2606.19220v1cs.LG

네트워크 침입 데이터셋 기반 XGBoost 모델을 위한 머신 언러닝

Machine Unlearning for the XGBoost Model with Network Intrusion Datasets

머신 언러닝(MU)은 전체 재학습 없이 학습된 모델에서 특정 데이터 포인트를 제거하기 위한 중요한 기술로 등장했습니다. 그러나 대부분의 기존 MU 연구는 심층 학습과 이미지 데이터에 집중되어 있어, 테이블 데이터에 크게 의존하는 네트워크 침입 탐지 영역에서는 공백이 남아 있습니다. 이 연구는 이러한 공백을 해결하기 위해 XGBoost 모델을 위한 언러닝 접근법인 XGBoost-Forget을 소개합니다. 이 접근법은 모델 성능, 언러닝 효율성 및 망각 품질을 평가하기 위해 여러 메트릭을 사용하여 두 개의 테이블 형식 네트워크 침입(NI) 데이터셋인 IoT-23과 GeNIS에서 평가됩니다. 결과는 XGBoost-Forget이 원본 모델과 유사한 예측 성능을 유지하면서 현저히 더 빠른 언러닝을 제공함을 보여주며, 테이블 기반 NI 환경에서 MU의 잠재력을 입증합니다.

arXiv:2606.19183v1cs.CL

언어 모델은 오라클이 아닌 인터페이스: 소아 맹장염을 위한 하이브리드 LLM-ML 시스템

Language Models as Interfaces, Not Oracles: A Hybrid LLM-ML System for Pediatric Appendicitis

소아 맹장염 진단에서 LLM을 최종 판단기가 아닌 인터페이스로 두고, 임상 내러티브에서 스키마 제약 특징을 추출·검증한 뒤 XGBoost 분류기로 위험을 예측하는 하이브리드 시스템 ClaMPAPP를 제안한다. 독일 병원 두 코호트에서 엔드투엔드 LLM 대비 전반적 진단 성능이 가장 우수했고 맹장염 미탐지를 줄였으며, 문장 순서 변경에도 상대적으로 강건했다.

arXiv:2606.17931v1cs.LG

하이브리드 Ret-DNN과 XGBoost 모델을 이용한 전자상거래 고객 행동 예측 분석

Predictive Analytics in E-Commerce for CustomerBehavior Forecasting using hybrid Ret-DNN withXGBoost Model

최근 몇 년간 전자(E)상거래 서비스가 사람들의 일상에서 급속히 증가하여 온라인으로 제품을 구매하는 데 도움을 주고 있다. 그러나 소매 플랫폼은 고객 행동을 이해하는 데 어려움을 겪으며, 향후 구매를 예측하기 어렵게 만든다. 이러한 문제를 해결하기 위해, 본 연구는 리테일 데이터의 시간적 특징과 표 형식(tabular) 동역학을 포착하기 위해 Extreme Gradient Boosting(XGBoost) 모델과 결합한 하이브리드 Retail Deep Neural Network(Ret-DNN)을 제안한다. 먼저, 거의 50만 건의 거래 기록을 포함하는 영국(UK) 기반 온라인 소매업체로부터 데이터를 수집하였다. 이후 수집된 데이터는 데이터 정제, 이상치 처리, 시간적 특징 추출, 특징 인코딩, z-score 정규화와 같은 일련의 기법으로 전처리하여 모델 학습과 테스트에 적합하도록 준비하였다. 그다음 전처리된 데이터는 고객 거래의 전체 맥락을 이해하는 특징 추출기 역할을 하는 Ret-DNN 모델에 입력되었다. 이어서 추출된 데이터는 XGBoost 모델에 입력되어 고객의 구매 확률을 최종 출력으로 예측하였다. 마지막으로, 제안한 Ret-DNN-XGBoost 모델은 기존 Ret-DNN 모델과 비교하여 평균 절대 오차(MAE) 0.2193을 달성하며 더 나은 결과를 보였다. 키워드: 고객 행동 예측, extreme gradient boosting, 전자상거래, 예측 분석, retail deep neural networks.

arXiv:2606.12843v1cs.LG

대규모 금융 시장 의사결정 인텔리전스를 위한 해석 가능한 팩터 분해: 중국 A주 시장 실증 분석

Interpretable Factor Decomposition for Decision Intelligence in Large-Scale Financial Markets: Evidence from China's A-Share Market

중국 A주 시장 데이터에 XGBoost와 TreeSHAP 기반의 해석 가능한 파이프라인을 적용하여 주식 수익률 예측 가능성을 요인별 기여도로 분해하고, 행동 신호가 밸류에이션 비율보다 훨씬 더 큰 예측 기여를 한다는 점을 입증했다.