우주론적 추론을 위한 해석 가능한 신경망 기반 마크 통계
Interpretable Neural Marked Statistics for Cosmological Inference
한국어 초록
파워 스펙트럼을 넘어선 우주론적 정보를 복원하는 것은 물질 밀도의 후기 비가우시안 신호가 2점 통계만으로는 접근할 수 없기 때문에 향후 우주론적 관측의 핵심 목표입니다. 마크 통계는 비선형 함수를 사용하여 필드에 가중치를 재조정함으로써 이 정보의 일부를 2점 수준으로 다시 반영합니다. 우리는 형태학적 수준에서 우주론적 정보의 이득을 직접 해석할 수 있도록 하는 해석 가능하고 물리적으로 동기 부여된 변환 집합을 통해 이 과정을 일반화하는 신경망 마킹 방식을 제안합니다. 우리는 학습 가능한 마크 요약을 기저 우주론적 매개변수와 정렬하기 위해 대조 학습 목적함수를 사용합니다. $k_{\max}=0.2\,h\mathrm{Mpc}^{-1}$에서 우리의 신경망 마크는 고전적 마크와 비교하여 $σ_8$에 대한 주변화된 제약 조건을 $2.9\times$, $Ω_m$에 대한 제약 조건을 $1.8\times$ 강화하여 피셔 정보 수준에서 $Ω_m-σ_8$ 축퇴성을 깨뜨립니다. 또한 이는 최고의 고전적 마크 대비 우리의 우주론적 매개변수 사전 분포 전반에 걸쳐 매개변수 MSE를 $1.45\times$ 더 감소시킵니다. 학습된 잠재 기하학은 매개변수 공간에서 $Ω_m$ 및 $σ_8$ 방향과 정렬되며, 이는 대조 목적함수가 우주론적 정보의 주요 축을 복원함을 나타냅니다. 우리의 접근 방식은 우주론적 추론을 위한 더 강력하고 해석 가능한 요약 통계의 가능성을 엽니다.
원문 초록
Recovering cosmological information beyond the power spectrum is a central goal for upcoming cosmological surveys, since late-time non-Gaussian signal in the matter density cannot be accessed through two-point statistics alone. Marked statistics fold part of this information back into the two-point level by reweighting the field with non-linear functions. We propose a neural marking scheme to generalize this process through a set of interpretable, physically motivated transformations that directly allow to interpret the gain in cosmological information at the morphological level. We employ a contrastive learning objective to align learnable marked summaries with the underlying cosmological parameters. At $k_{\max}=0.2\,h\mathrm{Mpc}^{-1}$, our neural mark tightens the marginalized constraint on $σ_8$ by $2.9\times$ and on $Ω_m$ by $1.8\times$ compared to classical marks, breaking the $Ω_m-σ_8$ degeneracy at the Fisher information level. It further reduces the parameter MSE across our cosmological parameter prior by $1.45\times$ over the best classical mark. The learned latent geometry aligns with the $Ω_m$ and $σ_8$ directions in parameter space, indicating that the contrastive objective recovers the dominant axes of cosmological information. Our approach opens the door to more powerful, interpretable summary statistics for cosmological inference.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.11295v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
SiPhy: 단일 이미지 물리적 속성 추론
SiPhy: Single-Image Physical Property Reasoning
단일 이미지로부터 질량, 강성, 탄성과 같은 물리적 속성을 추론하는 것은 시뮬레이션 및 체화 AI(embodied AI)에 필수적이지만, 기존 대부분의 접근법은 다중 뷰 재구성 또는 물리 기반 감독에 의존한다. 우리는 3D 인식 시각 단서·깊이와 언어 기반 재료 지식을 정렬하는 단일 이미지 물리적 속성 추론을 위한 통합 프레임워크인 SiPhy를 제안한다. 하나의 RGB 이미지로부터 SiPhy는 pseudo-voxel 포인트를 샘플링하고 CLIP 특징을 추출하며, VLM이 제안한 재료 후보에 이를 그라운딩(grounding)한다. 부품 기반 대조(contrastive) 집계기는 영역 일관성을 강제하고, heaviness-aware 정제(refinement)는 밀집 객체에 대한 두께 및 부피 추정을 개선한다. ABO-500, MVImgNet-100, PhysXNet-100에서 SiPhy는 최첨단 단일 이미지 성능을 달성하며, 다중 뷰 재구성 방법을 능가한다: 질량 MnRE를 최대 93% 개선(PUGS 대비), 밀도 MAE를 35.5% 감소(NeRF2Physics 대비), 영률(Young's modulus) 오차를 23.5% 낮춘다. 또한 실제 손-객체 상호작용 데이터셋에서 SiPhy를 검증하여, 단일 뷰 영상으로부터의 물리적 이해를 위한 데이터 어노테이션 엔진으로서의 잠재력을 보여준다.
물리적으로 일관된 매개변수 추론: 고에너지 물리학과 우주론에서의 투명한 머신러닝 에뮬레이션
Physically Consistent Parameter Inference: Transparent Machine Learning Emulation in High Energy Physics and Cosmology
고에너지 물리학과 우주론에서의 전역 피팅(global fits)은 계산 비용이 큰 또는 위상적으로 복잡한 가능도 함수를 사용하여 고차원 매개변수 공간을 탐색해야 하는 과제에 자주 직면한다. 본 연구에서는 그래디언트 부스팅 회귀 트리(gradient-boosted regression trees, XGBoost)를 사용하여 복잡하고 종종 비가우시안(non-Gaussian)인 가능도 지형을 에뮬레이션하도록 설계된 머신러닝 프레임워크를 제시한다. 머신러닝 접근법이 계산 효율성과 신뢰 구역(confidence region) 해상도 측면에서 갖는 장점, 특히 복잡한 상관관계나 "곡선형" 퇴화(curved degeneracy)가 있는 시나리오에서의 장점을 논의한다. 이 방법론을 반렙톤성 $B$ 메손 붕괴에서의 풍미 이상(flavour anomalies)에 대한 최근 분석에 적용하여 검증하고, 액시온 유사 입자(axion-like particles)나 우주론 전역 피팅과 같은 다른 현상론적 시스템에 대한 이 프레임워크의 적응 가능성을 논의한다. 마지막으로 SHAP(Shapley Additive exPlanations) 값을 활용하여 특징 중요도에 대한 투명한 분석을 제공하며, 머신러닝 예측이 물리적으로 해석 가능하고 기저 물리학과 일관되게 유지되도록 한다.
Read It Back: 사전학습된 MLLM은 텍스트-이미지 생성을 위한 제로샷 보상 모델이다
Read It Back: Pretrained MLLMs Are Zero-Shot Reward Models for Text-to-Image Generation
본 논문에서 우리는 SpectraReward를 제안한다. SpectraReward는 사전학습된 다중모달 대규모 언어 모델(MLLM)을 이미지 생성 강화학습을 위한 즉시 사용 가능한 보상 모델로 전환하는 추가 학습이 불필요한 보상 함수이다. SpectraReward는 MLLM에게 생성된 이미지를 판단하거나 분해된 검증 질문에 답하도록 요청하는 대신, 단일 이미지 조건부 교사 강제(teacher-forced) 순전파를 통해 원본 프롬프트가 생성된 이미지로부터 얼마나 잘 복원될 수 있는지를 측정한다. 이미지 조건부 프롬프트 로그-가능도의 평균을 보상으로 사용함으로써, 선호도 레이블이나 보상 모델 미세조정 없이 MLLM의 사전학습된 이미지-텍스트 정렬 능력을 직접 재활용한다. 나아가 우리는 Self-SpectraReward를 소개한다. Self-SpectraReward는 통합 다중모달 모델을 위한 특수 사례로, 정책 자체의 이해 브랜치가 생성 브랜치를 위한 보상 모델로 기능하여 외부 보상 모델이나 외부 지식 없이 폐쇄 루프 자기 개선 프레임워크를 형성한다. 광범위한 실험을 통해 SpectraReward를 검증하였으며, 이 연구는 두 가지 확산 모델, 세 가지 강화학습 알고리즘, 4B에서 235B 파라미터에 걸친 네 가지 MLLM 계열의 아홉 가지 보상 MLLM 백본, 다섯 가지 분포 외(out-of-distribution) 텍스트-이미지 벤치마크를 포괄한다. 실험 결과, SpectraReward와 Self-SpectraReward 모두 생성 성능을 유의미하고 일관되게 향상시키며 기존 MLLM 기반 보상 학습 방법을 능가하였다. 추가 분석에 따르면 더 큰 보상 MLLM이 항상 더 우수한 것은 아니며, Self-SpectraReward는 훨씬 더 큰 외부 보상 모델과 동등하거나 이를 능가할 수 있어, 보상-정책 정렬(reward-policy alignment)이 효과적인 이미지 생성 강화학습의 핵심 요인임을 시사한다. 프로젝트 페이지: https://huangrh99.github.io/SpectraReward/
보손 가우시안 상태는 언제 고전적으로 학습할 수 있는가?
When are bosonic Gaussian states classical to learn?
물리학의 근본적인 질문 중 하나는 양자계에서 고전적 거동이 언제 나타나는가이다. 보손 가우시안 상태(bosonic Gaussian state)는 빛의 고전적 장(field) 거동과 본질적인 양자적 성질을 모두 포착하므로, 이러한 양자-고전 경계를 탐구하기에 자연스러운 환경을 제공한다. 본 연구에서는 학습 이론의 관점에서 이 문제를 다루며 다음과 같이 묻는다. 보손 가우시안 상태는 언제 고전적으로 학습할 수 있는가? 즉, n-모드 보손 가우시안 상태를 고전적인 2n변량 가우시안 분포를 학습할 때 필요한 만큼 적은 샘플과 그만큼 단순한 연산으로 학습할 수 있는 조건은 (있다면) 무엇인가? 우리는 상태의 열적 요동(thermal fluctuation)에 의해 결정되는 학습 가능성의 매끄러운 크로스오버를 규명한다. - 차가운 가우시안 상태는 학습 측면에서 비고전적이다. 공분산 행렬이 $\Sigma\le(\frac12+O(\frac1n))I$를 만족하여 진공 공분산에 가까운 경우, 단일 복사본(single-copy, 즉 얽힘이 없는) 측정 하의 토모그래피(tomography)는 근본적으로 $\Omega(n^3)$개의 복사본을 필요로 하며, 이는 고전적 가우시안 분포를 학습하는 샘플 복잡도 $\Theta(n^2)$를 엄밀하게 초과한다. 우리는 소수 복사본에 대한 얽힘 측정이 허용되더라도 이러한 어려움이 지속됨을 보인다. - 따뜻한 가우시안 상태는 학습 측면에서 고전적이다. 열적 요동이 진공 잡음을 초과하여 임의의 매개변수 $\nu>0$에 대해 $\Sigma\ge(\frac12+\nu)I$로 나타내지는 경우, 단일 복사본 토모그래피에는 $N=\Theta\left(n^2\min(n,1+\nu^{-1})\right)$개의 복사본이 필요함을 증명한다. 이 한계는 타이트(tight)하며, 단순하고 비적응적(non-adaptive)이며 얽힘이 없는 헤테로다인(heterodyne) 측정으로 달성된다. 특히 $\nu=\Omega(1)$인 경우 샘플 복잡도는 $\Theta(n^2)$로 줄어들어 고전적인 경우와 일치한다. 우리의 결과는 보손 가우시안 상태의 학습 가능성에서 나타나는 양자-고전 크로스오버를 엄밀하게 규명하고, 근본 물리학과 통계적 학습 이론 사이의 새로운 연결고리를 드러내며, 실제 센싱 실험에도 시사점을 가진다.
A Diffusion-Based Kinematics and Dynamics Model for 3D Sign Language Production
간섭과 잠재 교란 하에서 순차 설정에 대한 인과 추론
Causal Inference for Sequential Settings under Interference and Latent Confounding
본 연구는 순차적·관측적 설정에서 결과 간섭(outcome interference) 하의 인과 추론을 다룬다. 구체적으로, N개 단위에 대한 이진 결과가 T개 시간 단계에 걸쳐 Markovian인 설정을 고려한다. 각 시간 단계에서 N개 단위의 결과는 Ising 모델을 통해 포착되는 의존성을 갖으며, 각 결과는 또한 해당 처치(treatment)의 효과와 잠재 교란 요인(latent confounders)의 영향을 반영하는 외부장(external field)의 영향을 받는다. 패널 데이터(panel data) 문헌과 유사하게, 이러한 잠재 교란 요인은 저계수(low-rank) 요인 구조를 갖도록 모델링된다. 우리의 데이터는 이러한 고차원 분포로부터의 단일 샘플이다. 관심 있는 인과량을 추정하기 위해, 모델 매개변수를 학습하기 위한 최대 유사-가능도 추정(Maximum Pseudo-Likelihood Estimation, MPLE)에 기반한 계산 효율적인 방법을 제시한다. 완화된 가정 하에서, 매개변수 추정에 대한 비점근(non-asymptotic) 일관성을 확립하고, 이것이 학습된 모델로부터 샘플링한 후 관심 있는 인과량의 충실한 추정으로 이어짐을 보인다. 합성 실험과 함께, 미국 전역 카운티(county) 내 백신 접종률이 COVID-19 사망률에 미치는 인과 효과를 조사하는 실세계 사례 연구를 통해 방법의 효과를 입증한다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.