소볼레프 공간에서의 다중 입력 신경망 연산자 학습에 대한 일반화 보장
Generalization Guarantees for Multi-Input Neural Operator Learning in Sobolev Spaces
한국어 초록
본 연구는 다중 입력 신경망 연산자(neural operator)에 대한 근사 및 일반화 오차 추정치를 제시하며, 출력 오차는 소볼레프 놈(Sobolev norms)으로 측정됩니다. 단일 입력 함수를 사용하는 표준 연산자 학습 설정과 대조적으로, 본 프레임워크는 서로 다른 영역(domain)에 정의되고 차원 및 소볼레프 정칙성(regularity)이 상이할 수 있는 다중 입력 함수를 지원합니다. 도출된 비율은 각 입력 공간이 최종 오차 한계에 미치는 기여도를 명시적으로 정량화합니다. 특히 균형 상태(balanced regime)에서 근사 및 일반화 비율은 입력 차원, 정칙성, 소볼레프 차수 간의 상호작용에 의해 결정되며, 모델 복잡도에 대한 의존성은 \(\log\log/\log\)-유형의 구조를 유지합니다. 본 분석은 소볼레프 학습(Sobolev training)을 포함한 다중 입력 연산자 학습을 위한 일반적인 이론적 프레임워크를 제공하며, 편미분 방정식(PDE) 및 과학적 계산에서 발생하는 연산자 학습 문제에 적용할 수 있습니다.
원문 초록
We develop approximation and generalization error estimates for multi-input neural operators, with the output error measured in Sobolev norms. In contrast to standard operator-learning settings with a single input function, our framework allows multiple input functions defined on possibly different domains, with different dimensions and Sobolev regularities. The derived rates explicitly quantify the contribution of each input space to the final error bound. In particular, in the balanced regime, the approximation and generalization rates are governed by the interaction between the input dimensions, regularities, and Sobolev orders, while the dependence on the model complexity retains a \(\log\log/\log\)-type structure. Our analysis provides a general theoretical framework for multi-input operator learning, including Sobolev training, and is applicable to operator learning problems arising from partial differential equations and scientific computing.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.17419v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
주기적 영역에서 3차 비선형 Schrödinger 방정식에 대한 연산자 학습
Geometry-Conditioned Fourier Neural Operators for Cubic Nonlinear Schrodinger Dynamics on Periodic Domains
종횡비가 변하는 2차원 평탄 토러스(flat torus)에서 3차 비선형 Schrödinger(NLS) 방정식을 고려한다. 이 형식화에서 종횡비 선택은 Fourier 공명 구조를 결정하므로, 유리수 기하와 무리수 기하가 서로 다른 고주파 캐스케이드 거동을 보일 수 있다. 우리는 3차 비초점(defocusing) NLS 방정식을 위한 기하학 조건부(geometry-conditioned) Fourier 신경 연산자(FNO)를 제안한다. 입력은 해의 실부와 허부, 그리고 종횡비 매개변수 \(ω^2\)로 구성된다. 모델은 1-스텝(one-step) 해 연산자(solution operator)를 근사하도록 학습(training)되며, Fourier 의사분광(pseudospectral) 방법을 사용해 무작위 위상(random-phase) 초기 데이터로부터 생성된 보지 못한(unseen) 궤적에서 평가(evaluation)된다. 수치 실험 결과, 학습된 연산자는 두 토러스 모두에서 주요 해 역학(dynamics)을 포착하고 두 기하의 서로 다른 Sobolev 노름(norm) 거동을 재현한다. 유리수 토러스에서는 더 강한 \(H^2\)-성장을, 무리수 토러스에서는 더 제한된 거동을 보이며, 이는 \cite{hrabski2021energy}의 결과와 일치한다. 우리는 보존 Fourier 모드, 활성화 함수(activation function), Fourier 층(layer) 깊이, 명시적 기하학 조건화의 역할을 조사하기 위해 ablation 연구를 수행한다. 결과는 $ω^2$를 포함하면 장시간 예측 정확도가 향상되며, 특히 유리수 기하에서 그 효과가 크고, 비선형 분산(dispersive) 편미분방정식(PDE)에서 스펙트럼 전달(spectral-transfer) 현상을 학습하기 위한 기하학 인지(geometry-aware) 신경 연산자의 사용을 뒷받침한다.
ELADO: 오퍼레이터 학습을 위한 타원형 PDE 평가 데이터셋
ELADO: Elliptic PDE Assessment Datasets for Operator Learning
본 논문은 ELADO(Elliptic PDE Assessment Datasets for Operator Learning)를 소개한다. ELADO는 타원형 PDE의 해(solution) 오퍼레이터를 학습할 때 신경 오퍼레이터(neural operator) 아키텍처의 실패 모드를 드러내고 정량화하기 위해 구축된 체계적인 벤치마크 모음이다. 기존 데이터셋의 벤치마크는 평균 케이스 성능에 초점을 맞추는 반면, ELADO 데이터셋은 타원형 PDE 문제에서 자연스럽게 발생하는 과제들을 부각하도록 구성되었다. 특히, 비일정(non-constant) 계수를 갖는 푸아송 방정식(Poisson's equation)과 Helmholtz 방정식을 중심으로 여러 데이터셋을 구축한다. 각각의 어려움의 원인을 분리하도록 설계된 데이터셋을 생성하기 위해 조절 가능한 데이터 생성 과정을 정의한다. 구체적으로, 이는 (1) 꼬리가 가벼운(light-tailed) 계수장(coefficient field) 분포에서 비롯되는 꼬리가 무거운(heavy-tailed) 해 분포, (2) 입력 데이터의 스펙트럴 분포 이동(spectral distribution shift), (3) 꼬리가 가벼운 계수장 분포에서 비롯되는 해의 주파수 영역에서의 꼬리가 무거운 분포, (4) 경험적 국소 Lipschitz 분석으로 정량화되는 학습된 오퍼레이터의 입력 민감도(input sensitivity), (5) 제어된 진폭 정규화 하에서 입력 신호 복잡도가 예측 정확도에 미치는 영향이다. 모든 데이터셋에 걸쳐 여러 신경 오퍼레이터 아키텍처를 평가한 결과, 꼬리가 무거운 타깃, 스펙트럴 이동, 입력 민감도가 각각 예측 정확도를 상당히 저하시킨다는 것을 보였다. 이러한 저하는 표준 데이터셋과 지표(예: 평균 상대 $L^2$ 오차)로는 가려질 수 있다.
Proxy OPD: On-Policy Distillation with Transferable Relative Proxy Update for Large Language Models
LISA: 효율적 긴 컨텍스트 추론을 위한 Linear-Indexed Sparse Attention
LISA: Linear-Indexed Sparse Attention for Efficient Long-Context Reasoning
토큰이 아닌 턴 주입하기: 자기 수정을 위해 LLM 추론을 리디렉션할 위치 학습
Inject a Turn, Not a Token: Learning Where to Redirect LLM Reasoning for Self-Correction
대규모 언어 모델(LLM)은 자신의 추론 과정에서 발생한 오류를 안정적으로 식별하고 수정하는 데 어려움을 겪는다. 수정이나 피드백을 생성하도록 LLM을 미세조정하는 기존의 학습 기반 접근법과 달리, 우리는 실패한 롤아웃에서 어디에 개입할지를 학습하고 이를 어떻게 리디렉션할지를 결정한다. 개입 위치를 선택하기 위해, 우리는 최종 답안의 정답 여부만을 이용해 고정된 인코더 위에 130K개의 매개변수를 가진 MLP 헤드를 학습시킨다. 리디렉션의 경우, 고정된 생성 예산 하에서 테스트한 인라인 주입(inline injection)은 추론을 안정적으로 리디렉션하지 못하는 반면, 동일한 지시문을 새로운 사용자 턴(user turn)으로 제시하면 모델의 진행 방향이 바뀐다는 것을 발견했다. 그 결과로 만들어진 수정 프레임워크인 UPTURN(User-Prompt TURN injection at a learned position)은 LLM의 미세조정을 전혀 요구하지 않는다: 선택된 접두 문맥(prefix)을 유지하고, 지시문을 새로운 사용자 턴으로 주입한 뒤, 나머지 부분을 재생성한다. 네 가지 추론 모델과 여섯 가지 수학 벤치마크 전반에서, UPTURN은 32회 롤아웃 기준선(baseline) 대비 모든 설정에서 평균 정확도를 향상시킨다. 동일한 수정 예산 하에서 자기 수정(self-correction) 및 리플렉션 토큰(reflection-token) 주입 기준선을 능가하며, 재학습 없이도 다른 추론 모델과 GPQA-Diamond로 전이되고, GRPO 및 자기 수정 기법과도 상호보완적이다.
Agentic Symbolic Search: Approximating Solutions of PDEs Beyond Hand-crafted Expressions, Meshes, and Neural Networks
토론
이 논문과 연결된 포럼 글이 아직 없습니다.