신뢰할 수 있는 QoT 추정을 위한 정책 기반 순응 예측
Policy-driven Conformal Prediction for Trustworthy QoT Estimation
한국어 초록
본 논문에서는 통계적으로 보장된 QoT(전송 품질) 추정과 운영 결정 정책을 결합한 정책 기반 프레임워크인 Conformal QoT를 제안한다. 이 프레임워크는 도메인 변이(domain shift) 환경에서 신뢰할 수 있는 광 경로(lightpath) 실현 가능성 예측을 가능하게 하며, 공개 데이터셋에서 정확도를 92%에서 99.6%로 향상시킨다.
원문 초록
We propose Conformal QoT, a policy-driven framework that combines statistically guaranteed QoT estimation with operational decision policies, enabling reliable lightpath-feasibility predictions under domain shift and improving accuracy from 92\% to 99.6\% on open datasets.
요약
도메인 변이 상황에서 신뢰할 수 있는 광 경로 실현 가능성 예측을 위해 통계적 보장이 포함된 QoT 추정과 운영 정책을 결합한 Conformal QoT 프레임워크를 통해 공개 데이터셋에서 정확도를 92%에서 99.6%로 개선했다.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.12501v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
연속적 라벨 이동 하에서의 컨포멀 베이즈: 민감도 분석과 정확한 타당성의 한계
Conformal Bayes under Continuous Label Shift: Sensitivity Analysis and the Limits of Exact Validity
임계값 인지 컨포멀 라우팅
Threshold-Aware Conformal Routing
고충실도 시뮬레이션은 과학 및 공학 설계에 필수적이지만 반복 실행 비용이 많이 들 수 있습니다. 학습된 대리 모델(surrogate)은 더 빠른 대안을 제공하지만, 상대적으로 높은 오차로 인해 다운스트림 의사결정이 바뀔 수 있습니다. 이러한 정확도와 속도 간의 절충으로 인해 대리 모델을 사용할 수 있는지, 아니면 완전한 시뮬레이터가 여전히 필요한지를 결정해야 하는 문제가 발생합니다. 본 연구에서는 관심 대상인 스칼라 수량이 고정된 임계값(threshold)의 상위 또는 하위에 위치하는지에 따라 결정되는 의사결정을 연구합니다. 각 입력에 대해 대리 모델의 컨포멀 구간(conformal interval)이 임계값의 한쪽에 완전히 위치할 때는 대리 모델을 사용하고, 구간이 임계값과 교차할 때는 입력을 시뮬레이션으로 라우팅합니다. 표준 컨포멀 예측은 다운스트림 의사결정 임계값을 고려하지 않고 구간을 구성합니다. 즉, 임계값 근처의 좁은 구간이라도 임계값을 가로질러 시뮬레이션을 트리거할 수 있는 반면, 멀리 떨어진 더 넓은 구간은 한쪽에 완전히 머물러 시뮬레이션을 요구하지 않을 수 있습니다. 이에 의사결정 경계 근처에 구간의 조밀함을 집중시키는 임계값 인지 목적 함수를 사용하여 입력 의존적 스케일을 학습하는 임계값 인지 컨포멀 라우팅(TACR)을 제안합니다. 홀드아웃 데이터에 대한 정확한 분할 컨포멀 보정(split-conformal calibration)은 분포 무관 한계 커버리지(distribution-free marginal coverage)를 보존하며, 이는 라우팅되지 않은 잘못된 임계값 결정 확률의 상한선 역할도 수행합니다. 다양한 과학 및 공학 데이터셋에서 TACR은 동일한 목표 커버리지에서 표준 컨포멀 예측 대비 시뮬레이터 위임(deferral)을 14-75% 감소시킵니다. 임계값 국소 가중치를 적용하지 않았으나 유사한 예측 정확도를 지닌 변형 모델과 비교했을 때, TACR은 4개 데이터셋에서 위임을 10-24% 추가로 줄입니다. 이러한 결과는 라우팅을 위한 구간 할당을 최적화함으로써 표준 컨포멀 보장을 약화시키지 않으면서도 시뮬레이터 호출을 줄일 수 있음을 보여줍니다.
CS-WCP: 불확실한 그룹 비율을 갖는 LLM 판정 모델 트래픽 변화에 대한 강건한 적합 예측 집합
CS-WCP: Robust Conformal Sets for LLM-Judge Traffic Shifts with Uncertain Group Proportions
LLM(대규모 언어 모델) 판정 모델(LLM judge)을 기반으로 구축된 예측 집합은 배포 트래픽에서 태스크 또는 정책 그룹의 유병률이 달라질 때 목표 커버리지에 미달(undercover)할 수 있습니다. 가중 적합 예측(Weighted conformal prediction)은 밀도 비(density ratio)가 알려진 공변량 변화(covariate shift) 하에서는 정확하지만, 그룹 비율은 일반적으로 유한한 라벨 없는 샘플로부터 추정해야 합니다. 본 연구에서는 소스 및 타깃 그룹 질량에 대한 동시 정확 구간을 구성하고 호환 가능한 모든 비율 벡터에 대해 가중 적합 집합의 합집합을 반환하는 신뢰 집합 가중 적합 예측(CS-WCP)을 도입합니다. 고정되거나 독립적으로 학습된 유한 분할에 대해 CS-WCP는 최소 1-alpha-delta_w-tau_A-kappa의 커버리지를 달성하며, 여기서 tau_A는 셀 내 공변량 불일치를 측정하고 kappa는 조건부 변화를 측정합니다. 선형 끝점 규칙(linear endpoint rule)은 O(G|Y|) 시간에 강건한 합집합을 계산합니다. 구성된 336개의 공유 지지(shared-support) 트래픽 변화 전반에서, CS-WCP는 평균 이진 집합 크기 1.74 및 1.65에서 소스 적합 예측의 0.954 및 44회 실패와 비교해 13회 실패로 0.973의 평균 커버리지에 도달합니다. 336개의 자연스러운 교차 태스크 전이에서는 커버리지가 0.882에서 0.962로 증가하지만 평균 집합 크기는 1.87에 달하며 크기가 일치된 그룹 플러그인 기준선(baseline)도 경쟁력을 보입니다. 따라서 본 방법은 불확실한 혼합 가중치 하에서 감사 가능한 커버리지 보호 장치를 제공하며, 그 가치는 스칼라 확률 캘리브레이션이나 일률적으로 더 작은 집합이 아닌 보수적인 꼬리 위험 보호(tail protection)에 있습니다.
불완전한 프록시 보상을 활용한 신뢰할 수 있는 자기 진화
Reliable Self-Evolution with Imperfect Proxy Rewards
대규모 언어 모델(LLM) 기반의 자기 진화 탐색은 과학적 발견을 위한 유망한 접근법입니다. 그러나 일부 영역에서는 모든 후보에 대해 고충실도(high-fidelity) 평가를 수행하는 데 엄청난 비용이 듭니다. 따라서 이러한 환경의 자기 진화 시스템은 비용이 저렴하지만 불완전한 프록시 보상(proxy reward)에 의존하며, 이는 실현 불가능한 후보에 높은 점수를 부여할 수 있습니다. 이러한 위양성(false positive)은 최종 출력뿐만 아니라 후속 세대를 유도하는 데 사용되는 피드백까지 오염시킬 수 있습니다. 이는 보다 신뢰할 수 있는 자기 진화 탐색을 위해 통계적으로 보정된 보상 구간을 도입하는 동기가 됩니다. 본 논문에서는 조건부 등분산 추론(conditional conformal inference)과 반복(iteration)별 온라인 밀도비 추정을 사용하여 후보별 보상 구간을 구성하는 CISE(Conformal Interval-Driven Self-Evolution)를 제안합니다. CISE는 진화적 피드백을 위해 보수적인 구간 기반 보상을 사용하며, 요구되는 모든 속성 구간이 각자의 실행 가능한 영역 내에 완전히 포함될 때만 후보를 반환합니다. 본 연구는 독립성 및 공변량 변화(covariate shift)에 대한 명시적 가정 하에서 고정 반복 커버리지 결과를 도출합니다. 또한 재료과학 분야의 세 가지 자기 진화 탐색 작업에서 CISE를 평가합니다. 실험 결과, 고충실도 평가에서 CISE가 반환한 모든 후보는 진양성(true positive)이었던 반면, 베이스라인들은 더 많은 후보를 반환하지만 위양성을 포함했습니다. 이러한 결과는 다운스트림 검증 예산이 제한적일 때 더 작지만 더 정밀한 후보 목록이 갖는 가치를 강조합니다. 연구 저장소는 https://github.com/MLAI-Yonsei/CISE.git 에서 확인할 수 있습니다.
Optimal distribution-free sequential change detection with conformal martingales
LightGBM을 활용한 지능형 국경 통제를 위한 다중 호라이즌(Multi-Horizon) 설명 가능 대기열 예측과 자원 인지형 의사결정 지원
Multi-Horizon Explainable Queue Forecasting and Resource-Aware Decision Support for Intelligent Border Control Using LightGBM
국경 통과 지점(border crossing point)은 교통 수요, 여행자 범주, 등록 상태, 검사 요건, 인력 배치, 차선 가용성이 여러 시간 척도에서 상호작용하는 확률적 서비스 시스템이다. 본 논문은 Light Gradient Boosting Machine(LightGBM) 모델을 기반으로 하는 구현 지향적인 다중 호라이즌(multi-horizon) 예측 및 의사결정 지원 아키텍처를 도입함으로써 기존의 멀티모달 대기열 관리 프레임워크를 확장한다. 단일 예측 블록과 달리, 제안된 접근법은 15분, 30분, 60분, 120분 예측을 위한 호라이즌별(horizon-specific) 회귀 모델(regressor)을 구성하고, 미래의 대기 시간(waiting time)과 대기열 길이(queue length)를 함께 추정한다. 이 모델들은 시간적으로 지연(lag)된 교통, 서비스, 밀도, 대기열 특징(feature)을 기반으로 작동하며, 운영층(operational layer)은 차선 호환성, 담당관 가용성, 저하될 수 있는 자원, 여행자 범주, 사전등록 정보, 인간 승인 제약을 반영한다. 분위수(quantile) LightGBM 모델은 대기 시간 예측에 대해 95% 예측 구간(prediction interval)을 제공한다. 예측을 넘어, 이 프레임워크는 국경 자원 관리 및 의사결정 지원 시스템에 적합한 기계 판독 가능한(machine-readable) 권고안, 경보, 종합 핵심성과지표(KPI), 신뢰도 정보, 통합 출력을 생성한다. 이 결과는 재현 가능한 합성 데이터 기준선(baseline)과, 실제 국경 통과 운영 데이터를 이용한 후속 검증(validation)을 위한 실용적 인터페이스를 수립한다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.