arXiv:1608.01372

Permutation NMF

Giovanni Barbarino

제출 2016-08-03

원문 초록

Nonnegative Matrix Factorization(NMF) is a common used technique in machine learning to extract features out of data such as text documents and images thanks to its natural clustering properties. In particular, it is popular in image processing since it can decompose several pictures and recognize common parts if they're located in the same position over the photos. This paper's aim is to present a way to add the translation invariance to the classical NMF, that is, the algorithms presented are able to detect common features, even when they're shifted, in different original images.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.20909v1eess.SP공통 태그 Clustering, Position

RadioTrace: 배포 시점 미세조정 없는 송신기 인식 확산 기반 라디오 맵 추정

RadioTrace: Transmitter-Aware Diffusion for Radio Map Estimation without Deployment-Time Fine-Tuning

라디오 맵(RM) 추정은 희소 측정값으로부터 수신 신호 강도(RSS)와 같은 무선 신호 특성의 공간 분포를 재구성하는 것을 목표로 하며, 이는 현대 무선 네트워크에서 스펙트럼 관리, 간섭 완화, 위치 추정에 핵심적인 과제이다. 전통적인 접근법인 보간법과 심층 학습은 복잡한 전파 효과를 포착하기 어렵거나, 새로운 샘플링 패턴마다 대규모 재학습이 필요하여 일반화 능력이 제한된다. 최근에는 사전 기반 방법들이 사전학습된 생성 모델과 측정값을 결합하여 배포 시점 모델 미세조정의 필요성을 줄이고 있으나, 일반적으로 사전 분포(prior)를 단순한 정규화(regularizer)로 취급하며 명시적인 송신기 인식 통합이 부족하다. 본 논문에서는 배포 시점 미세조정 없이 희소 RSS 측정값과 고정된 사전학습 확산 사전 분포를 긴밀히 통합하는 새로운 RM 추정 프레임워크인 RadioTrace를 제안한다. RadioTrace는 송신기(Tx) 위치 추정을 디노이징 루프에 직접 통합하여, 재구성 품질에 기반해 Tx 좌표를 반복적으로 정제함으로써 생성 과정을 안내한다. 견고성을 더욱 향상시키기 위해, Tx 업데이트에서 불량한 국소 최솟값을 완화하고 기하학적으로 일관된 시작점을 제공하는 전파 유도 K-means 초기화를 도입한다. 또한 Tx 좌표 정제 구성 요소에 대한 확률적 안정성 분석을 제공하여, Tx 업데이트가 확산 샘플링과 Tx-맵 완화(relaxation)에 의해 유발되는 섭동 하에서도 안정적으로 유지됨을 보인다. 광범위한 실험을 통해 RadioTrace가 무작위 샘플링 하에서 최첨단 학습 기반 방법들과 경쟁력 있는 성능을 달성하고, 제한 구역 샘플링 하에서도 강력한 재구성 품질을 유지함을 보여주며, 이는 적응성, 견고성, 실용적 관련성을 강조한다.

arXiv:2607.09576v2cs.CL공통 태그 Translation, Clustering

언어 간 관용 표현을 위한 개념 네트워크: 특징 기반 그래프 접근법

Conceptual Networks for Cross-Linguistic Idiomatic Expressions: A Feature-Based Graph Approach

우리는 유형론적으로 다양한 8개 언어에 걸쳐 관용적·비유적 의미를 표현하기 위한 해석 가능한 네트워크 기반 프레임워크를 제시한다. 총 160개의 관습적 표현을 다루며, 그 대다수는 관용어(idiom)이다. 각 표현은 인지언어학 이론에서 도출된 이진 개념 특징(containment, concealment, emotional, social 등)으로 주석 처리되며, 쌍별 Jaccard 유사도가 가중 그래프를 정의한다. 커뮤니티 탐지 결과, 관용어는 언어가 아닌 개념적 스키마(schema)에 따라 클러스터를 형성하며, 이는 인지언어학적 예측과 일치하는 구조를 산출한다. 개념 네트워크는 분포적 임베딩에 존재하지 않는 고유한 의미 정보를 포착하고, 대규모 언어 모델(LLM)을 활용한 자동 주석으로 확장 가능하며, 하류(downstream) 관용어 탐지 성능을 향상시키고, 말뭉치 빈도로 보강해도 견고성을 유지한다. 언어 간 전이 실험에서는 개념적 근접성만으로도 5개 어족(language family)에 걸쳐 허용 가능한 번역 등가어를 식별할 수 있었으며, 임베딩 기반 기준선 대비 상당한 성능 향상을 달성하였다. 절제 연구(ablation study)를 통해 스키마, 역할, 원자가(valence)라는 세 가지 특징 차원 모두가 네트워크의 구조적 특성과 관용어 탐지 성능에 비중복적으로 기여함을 확인하였으며, 특정 그래프 파생 신호(커뮤니티 소속, 이웃 유사도)가 특히 유용한 정보를 제공함을 밝혔다. 본 프레임워크는 이론적 근거와 실용적 효용을 결합하여 관용적 의미에 대한 해석 가능하고 언어 간 안정적인 표현을 제공한다.

arXiv:2607.21426v2cs.LG공통 태그 Clustering

건설적·협력적 멀티태스킹을 위한 의미 인식 태스크 클러스터링

Semantic-Aware Task Clustering for Constructive and Cooperative Multi-Tasking

협력적 멀티태스크 의미 통신(cooperative multi-task semantic communication, CMT-SemCom)은 공유 표현을 활용하여 태스크 실행 성능을 향상시킨다. 그러나 [1]에서 보인 바와 같이, 협력적 멀티태스킹은 태스크 간 의미적 관계에 따라 건설적일 수도 있고 파괴적일 수도 있다. 건설적 협력을 보장하기 위해, 우리는 CMT-SemCom을 위한 의미 인식 태스크 클러스터링 방법을 제안한다. 짧은 초기 학습 단계 이후 의미적으로 정렬된 태스크가 한 번 클러스터링되고, 이후 발견된 그룹 내에서만 엔드투엔드(end-to-end, E2E) 공동 학습이 수행되는 순차적 다단계 최적화 문제를 수식화했다. 구체적으로, 이 문제는 두 단계로 분해된다: (i) 계층적 밀도 기반 공간 클러스터링(hierarchical density-based spatial clustering)을 활용한 의미 클러스터링 문제, (ii) 클러스터 내 E2E CMT-SemCom 학습 문제. 시뮬레이션 결과는 제안된 프레임워크가 파괴적 협력과 부정적 전이(negative transfer)를 효과적으로 완화하며, 클러스터링되지 않은 멀티태스킹 및 개별 학습 기준선 대비 정확도 향상을 달성함을 보여준다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.