Once-for-All: 평형 상태 추정을 통한 확장 가능한 동시 예측
Once-for-All: Scalable Simultaneous Forecasting via Equilibrium State Estimation
한국어 초록
우리는 여러 상호작용하는 시스템이 개별적이면서도 조정된 예측을 요구하는 동시 예측을 위한 새로운 패러다임인 평형 상태 추정(ESE)을 소개합니다. 이러한 시나리오는 경제 및 의료 모델링과 같은 실제 환경에서 자주 발생합니다. 한 번에 하나의 시스템만 예측하는 기존 접근 방식과 달리, ESE는 단일 패스로 모든 시스템을 예측합니다. 이는 먼저 시스템 전체의 평형 상태를 추정한 다음, 현재 상태와 추정된 평형 상태 간의 차이를 기반으로 전체적인 예측을 생성합니다. 통화 교환 및 COVID-19 확산 모델링을 포함한 합성 및 실제 데이터셋에 대한 광범위한 실험을 통해, ESE는 최신 기법(SOTA)만큼 정확하면서도 훨씬 더 빠르다는 것을 입증했습니다. 또한, ESE는 기존 예측기와 매끄럽게 통합되어 기존 예측기의 정확도와 ESE의 탁월한 효율성을 결합하며 10-70배의 속도 향상을 제공합니다. 선형 시간 복잡도를 가진 ESE는 시스템 수가 증가함에 따라 SOTA 방법보다 훨씬 더 우수한 확장성을 보입니다. 더불어 다양한 섭동(perturbation) 하에서도 정확도를 유지하여, ESE를 빠르고 일반화 가능하며 강건하고 확장 가능한 다중 예측 방법으로 확립했습니다.
원문 초록
We introduce Equilibrium State Estimation (ESE), a novel paradigm for simultaneous prediction, where multiple interacting systems require separate yet coordinated forecasts. Such scenarios often arise in real-world settings such as economics and healthcare modeling. Unlike existing approaches that predict one system at a time, ESE forecasts all systems in a single pass. It first estimates the equilibrium state across systems, then generates holistic forecasts based on the difference between the current state and the estimated equilibrium. Extensive experiments on synthetic and real-world datasets, including currency exchange and COVID-19 spread modeling, demonstrate that ESE is at least as accurate as state-of-the-art (SOTA) methods while being significantly faster. In addition, ESE integrates seamlessly with conventional predictors, combining their accuracy with its exceptional efficiency and delivering a 10-70x speedup. With linear-time complexity, ESE scales far better than SOTA methods as the number of systems increases. Moreover, it remains accurate under diverse perturbations, establishing ESE as a fast, generalizable, robust, and scalable multi-prediction method.
요약
여러 상호작용하는 시스템의 동시 예측을 위해 평형 상태 추정(ESE) 패러다임을 도입하여 시스템 간의 평형 상태를 기반으로 단일 패스로 전체 예측을 수행한다. 이 방법은 최신 기법(SOTA)과 동등한 정확도를 유지하면서 선형 시간 복잡도로 10-70배의 속도 향상을 달성하여 확장성과 효율성을 입증했다.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.13285v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
강제 물리 시스템에서의 잠재 응답 법칙 발견
Discovering Latent Response Laws in Forced Physical Systems
지배 방정식(governing equation)은 물리 시스템을 간결하게 기술하지만, 이를 단순하게 표현하는 변수는 종종 고차원 측정값 속에 숨겨져 있다. 이 문제는 강제 시스템(forced system)에서 더욱 두드러지는데, 강제 시스템의 응답은 내재적 다이나믹스와 시간 의존적 입력 모두에 의존하기 때문이다. 본 연구에서는 응답 방정식을 위한 강제 잠재 오토인코더인 FLARE를 소개한다. FLARE는 간결한 응답 좌표를 학습하고, 희소한 입력 의존적 잠재 다이나믹스를 식별하며, 방정식 롤아웃을 전체 응답으로 디코딩한다. 데이터로부터 잠재 차원을 추정하고 상태 추정과 외부 강제력을 분리함으로써, FLARE는 과거 응답으로부터 초기화되고 지정된 미래 입력에 의해 구동되는 예측을 가능하게 한다. 알려진 동역학 시스템, 응용 규모의 강제 응답, 시각적 관측에 걸쳐 FLARE는 간결한 강제 다이나믹스를 복원하고, 학습에 사용되지 않은 입력 하에서도 장기 고차원 응답을 예측한다. 학습된 좌표를 동역학적 인터페이스로 전환함으로써, FLARE는 방정식 발견(equation discovery)을 복잡한 관측 내에 유효 상태가 숨겨진 시스템으로 확장하며, 강제 동역학 시스템에서의 고차원 응답에 대한 해석 가능한 모델링과 예측을 위한 경로를 제공한다.
신뢰할 수 있는 산업 공정 추론을 위한 대규모 언어 모델 기반 측정 신뢰도 보정
LLM-Guided Measurement Credibility Correction for Trustworthy Industrial Process Inference
산업 예측과 소프트 센싱(soft sensing)은 신뢰할 수 있는 입력 측정값에 의존한다. 현장 배포 환경에서 예측기는 편향되거나, 지연되거나, 오래되었거나, 파생된 측정값을 수신할 수 있으며, 이러한 측정값들은 여전히 그럴듯하게 보일 수 있다. 입력 윈도우가 더 이상 실제 공정을 대표하지 않기 때문에, 예측 백본(forecasting backbone)이 주된 한계가 되기 전에 예측이 실패할 수 있다. 센서 재구성, 데이터 조정(data reconciliation), 결함 허용 소프트 센싱은 이 위험을 줄이지만, 이들은 종종 수치적 상관관계, 경보, 결함 레이블, 또는 명시적인 공정 방정식에 의존한다. 이러한 가정들이 항상 가용한 것은 아니다. 변수들이 계측기, 파생 수식, 소프트 센싱 체인, 또는 제어 동작을 공유하는 경우, 상관된 변수도 안전하지 않은 참조가 될 수 있다. 핵심 과제는 예측 전에 어떤 외부 측정값이 현재 측정값을 신뢰할 수 있게 뒷받침할 수 있는지를 결정하는 것이다. 이 문제를 해결하기 위해, 본 논문은 대규모 언어 모델(LLM) 기반 측정 신뢰도 보정(LLM-Guided Measurement Credibility Correction, MCC)을 제안한다. MCC는 공정 문서에 있는 측정값의 의미를 수치 모델이 활용할 수 있는 측정 의미론(measurement semantics)으로 변환한다. 의미론적으로 검증된 외부 측정값으로부터 독립적인 공정 참조값을 구축하고, 예측 전에 지역적 측정값 충돌을 보정한다. 따라서 예측기는 더 신뢰할 수 있는 입력 윈도우를 수신하게 된다. 여러 복잡한 산업용 예측 및 소프트 센싱 과제에 걸쳐, +MCC는 실제 테스트 프로토콜에서 평균 상대 MAE를 30.7%, 제어된 오염 프로토콜에서 80.3% 감소시킨다. 0.5~2.0k의 온라인 파라미터만 추가되며, 가장 느린 +MCC 추론 시간은 0.089 ms/스텝이다. 이러한 결과는 측정 의미론이 공정 문서를 경량의 추론 전 신뢰도 보정 수단으로 전환하고 예측 정확도를 향상시킬 수 있음을 보여준다.
데이터 동화에서 컨포멀 예측을 통한 불확실성 정량화
Uncertainty quantification via conformal prediction in data assimilation
불확실성의 변화를 정량화하는 것은 수치 기상 예측에서 확률적 예보와 데이터 동화(data assimilation) 모두에 매우 중요하다. 본 연구에서는 최근 기계학습(ML) 방법인 컨포멀 예측(CP, conformal prediction)의 불확실성 정량화 적용 가능성을 통제된 이상화 환경에서 조사한다. 대류 과정을 모방하도록 설계된 1차원 수정 천수 모델(modified shallow water model)을 사용한다. CP는 선택된 신뢰 수준으로 가능한 결과들의 집합을 제공한다. 여기서는 세 가지 CP 변형, 즉 a) 표준 CP, b) 정규화 CP, c) 컨포멀화된 분위수 회귀(Conformalized Quantile Regression)에 대해 평균 경험적 커버리지, 평균 구간 길이, 미스 로우(miss low), 미스 하이(miss high), 평균 구간 점수 손실(AISL)을 비교·평가한다. 나아가 이러한 CP 기반 불확실성 추정치를 표준 편차 구간 및 앙상블 스프레드(ensemble spread)와 같은 전통적인 앙상블 기반 측도와 비교한다. 또한 CP 섭동(CP perturbations)을 통해 데이터 동화 주기 내에서 CP 도출 불확실성의 통합 방안을 조사한다. 결과는 각 접근법의 강점과 한계를 부각시키며, 단순화된 대기 모델에서 일반적인 앙상블 기반 불확실성 정량화를 보완하기 위한 CP의 효과성에 대한 통찰을 제공한다.
확산 모델을 이용한 해상 상태 샘플링
Sampling sea state using a diffusion model
해상 상태 예측은 운용 해상 응용과 결합 지구 시스템 모델링에 필수적이지만, 현재의 스펙트럴 파도 모델은 기후 시뮬레이션과의 온라인 결합 및 확률적(앙상블 기반) 예측 수행 등 많은 사용 사례에서 계산적으로 부담스럽다. 심층 학습이 최근 기상 예보에서 강력한 성능을 보여주었지만, 기존 AI 기반 파도 모델은 대부분 결정론적이며 유의파고와 같은 벌크 변수에 주로 제한되어, 확률적 해상 상태 추정은 거의 탐구되지 않았다. 본 연구에서는 5일간의 전역 바람 강제력을 조건으로 하는 전역 해상 상태 추정을 위한 확산 기반 생성 모델을 제안한다. 이 생성 모델은 자기회귀적 시간 단계 진행 없이 해상 상태의 복잡한 조건부 분포를 직접 샘플링한다. 기존 접근법과 달리, 본 프레임워크는 벌크 변수를 넘어 Stokes drift 및 평균 제곱 기울기와 같은 분할 관련 변수와 파생량 추정까지 자연스럽게 확장된다. 30년간의 전역 WAVEWATCH-III hindcast로 학습된 모델은 수치 스펙트럴 모델 대비 상당한 계산 가속을 달성하면서, 벌크 변수에 대해 기술적으로 우수한 예측과 보정된 앙상블 분산을 제공한다. 결과는 확산 기반 해상 상태 샘플링이 확률적 파도 예보와 지구 시스템 모델에 해상 상태 정보를 효율적으로 결합하는 유망한 경로를 제시함을 시사한다.
멀티모달 그래프 기반 소셜 미디어 인기 예측 벤치마킹
Benchmarking Multi-Modal Graph-based Social Media Popularity Prediction
Frequency Domain Reservoir Computing
토론
이 논문과 연결된 포럼 글이 아직 없습니다.