클래스 불균형이 있는 결함 진단을 위한 재규격화 군 신경망 구현
Neural Network Implementation of the Renormalization Group for Fault Diagnosis with Class Imbalance
한국어 초록
머신러닝 모델(model)을 실제 과제에 적용할 때 클래스 불균형 및 다차원 노이즈와 같은 문제에 직면하게 됩니다. 본 논문은 특징(feature) 공간의 계층적 코스 그레이닝(coarse-graining)을 위해 재규격화 군(RG) 개념에 기반한 신경망(neural network) 아키텍처인 RGNet을 제안합니다. 해당 모델은 입력 차원을 순차적으로 압축하고 분류(classification) 전에 모든 스케일을 연결하여, 국소적 세부 사항과 전역적 패턴을 모두 포착할 수 있습니다. RG-flows의 개념이 도입되었는데, 이는 해석 가능한 저차원 표현으로서 t-SNE를 통한 시각화 시 코스 그레이닝의 효과를 확인시켜 주는 이산적인 곡선 구조를 드러냅니다. 불균형 AI4I 데이터셋(dataset)에 대한 실험 결과를 제시합니다. 도출된 결과는 RGNet이 불균형 클래스가 존재하는 응용 분야의 결함 예측을 위한 범용적이고 해석 가능하며 경쟁력 있는 솔루션임을 입증합니다.
원문 초록
The application of machine learning models in practical tasks faces challenges such as class imbalance and multidimensional noise. This paper proposes RGNet, a neural network architecture based on the concept of the renormalization group (RG), for hierarchical coarse-graining of the feature space. The model sequentially compresses the input dimensionality and concatenates all scales before classification, allowing it to capture both local details and global patterns. The notion of RG-flows is introduced - interpretable low-dimensional representations whose visualization via t-SNE reveals a discrete curvilinear structure confirming the effectiveness of coarse-graining. Experimental results are presented on the imbalanced AI4I dataset. The obtained results demonstrate that RGNet is a universal, interpretable, and competitive solution for fault prediction in applications with imbalanced classes.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.18326v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
EchoTab: 정형 데이터 재구성을 통한 심초음파 진단용 측정 기반 표현 학습
EchoTab: Learning Measurement-Grounded Representations for Echocardiographic Diagnosis through Tabular Reconstruction
심초음파와 같은 다중 뷰(multi-view) 의료 영상 검사에서 진단 정보는 여러 뷰에 분산되어 있으며, 각 뷰는 심장 구조와 기능의 서로 다른 측면을 포착합니다. 임상 현장에서는 이러한 뷰들을 먼저 정량적 측정을 통해 해석한 후, 이를 바탕으로 구체적인 진단을 내립니다. 그러나 기존의 심초음파 표현 학습 방법들은 뷰와 진단 사이의 중간 표현으로서 측정을 명시적으로 모델링하지 않습니다. 그 결과 개별 측정이 다운스트림 진단 태스크에서 선택적으로 활용할 수 있는 형태로 명시적 표현되지 않아 정확한 진단을 저해합니다. 이러한 계층적 임상 워크플로우에서 착안하여, 본 논문에서는 심초음파 뷰와 진단 사이의 중간 표현으로 측정별 토큰(measurement-specific token)을 활용해 다중 뷰 심초음파 검사를 표현하는 측정 기반(measurement-grounded) 표현 학습 프레임워크인 EchoTab을 제안합니다. 각 측정 토큰은 추정에 관련된 뷰에 선택적으로 어텐션(attention)하며, 해당 측정값을 예측하도록 정형 데이터 재구성(tabular reconstruction)을 통해 학습됩니다. 이렇게 도출된 토큰들은 임상적으로 유의미한 구조적 및 기능적 특성을 인코딩하는 요인화된(factorized) 심초음파 표현을 형성하여 다운스트림 진단에 선택적으로 활용될 수 있습니다. 흔히 사용되는 대조 학습 접근법과 달리 EchoTab은 네거티브 샘플이나 큰 배치(batch) 크기를 필요로 하지 않습니다. 두 가지 데이터셋에 대한 실험을 통해 EchoTab이 다중 뷰 심초음파에서 진단 분류(classification) 성능을 향상시키는 효과적인 측정 기반 표현을 학습하며, 학습된 어텐션이 심장 전문의가 사용하는 기존의 측정-뷰 관계와 일치함을 입증합니다. 코드는 https://github.com/michelleespranita/EchoTab 에서 확인할 수 있습니다.
형광 현미경 이미지에서 극히 희귀한 사멸 세포의 검출
Detection of extremely rare dead cells in fluorescence microscopy images
형광 현미경 관찰에서 사멸 세포 검출은 표현형 스크리닝과 약물 효능 평가에 필수적입니다. 그러나 신호 가변성, 광학 인공물(optical artifact), 여러 채널 간 공국재화(colocalization) 모호성으로 인해 자동 식별은 여전히 어렵습니다. 세포핵 경계를 정의하는 마커는 세포사멸(apoptotic) 마커와 공간적 또는 시간적으로 깔끔하게 일치하지 않습니다. 더욱이 마커 축적 동역학은 개별 세포 및 세포사멸 단계마다 다르므로 범용 임계값을 신뢰하기 어렵습니다. 본 논문에서는 핵 염색 검체에서 세포사멸 세포를 검출하기 위한 여러 전산적 접근 방식에 대한 체계적인 비교를 제시합니다: (1) 강도 임계값, 분포, 상관관계 및 도메인 지침을 사용하는 휴리스틱 방법; (2) 수치적 특징(로지스틱 회귀, 랜덤 포레스트, XGBoost 및 LightGBM)과 이미지 특징(ResNet-18 및 EfficientNet-B0)을 사용하는 분류; (3) 마찬가지로 수치적 특징(격리 포레스트, 원클래스 SVM 및 PCA 재구성)과 이미지 특징(합성곱 오토인코더 및 Deep SVDD)을 사용하는 이상 탐지. 수작업으로 주석이 달린 243개의 실측값(ground truth) 사멸 세포를 포함하여 여러 장면에 걸쳐 65,527개의 세포/핵이 포함된 258개 이미지 데이터셋을 사용하여, PR-AUC, 정밀도, 재현율, F1-score 및 macro-F1과 같은 지표로 각 방법을 평가합니다. 연구 결과에 따르면 이미지 특징을 사용하는 분류(심층 학습)와 수치적 특징을 사용하는 분류(전통적 방식)가 가장 우수한 성능을 달성했으며, ResNet-18과 XGBoost가 수작업으로 설계된 휴리스틱 및 이상 탐지 방법보다 크게 우수한 성과를 보였습니다. 이러한 연구 결과는 최첨단 전산 및 학습 기법으로도 이러한 생의학 문제를 해결하는 것이 여전히 매우 까다롭다는 점을 보여줍니다. 우리는 도메인 과학자를 돕는 보조 도구로서 완전 자동 방식이나 인간 참여형(human-in-the-loop) 설정 모두에서 연구자들에게 효과적인 의사결정 지원 도구를 제공하는 것을 목표로 합니다.
알츠하이머병 탐지를 위한 온라인 필기에서의 세그먼트 수준 위험 발견
Segment-Level Risk Discovery in Online Handwriting for Alzheimer's Disease Detection
온라인 필기는 인지 계획과 미세 운동 제어를 모두 반영하므로 알츠하이머병(AD) 탐지를 위한 비침습적이며 저비용의 행동 바이오마커를 제공합니다. 기존의 필기 기반 AD 탐지 방법들은 대체로 전역 궤적 특징이나 전체 샘플 표현에 의존하는데, 이는 개인의 필체 스타일, 과제별 변동성, 획득 잡음에 크게 영향을 받을 수 있습니다. 본 논문에서는 온라인 필기로부터 해석 가능한 AD 탐지를 수행하기 위해 건강 대조군 규범 기반 Paper-Air 선택적 궤적 상태공간 위험 네트워크인 NormPaST-Risk를 제안합니다. 전체 궤적을 단일한 총체적 표현으로 다루는 대신, 제안 방법은 AD 필기 탐지를 국소적인 질환 관련 세그먼트 발견 문제로 재구성합니다. 구체적으로, 다중 스케일 시간 인코더가 서로 다른 시간 해상도에서 획 역학을 포착하는 한편, 선택적 Paper-Air 상태공간 인코더는 장기 필기 진행 과정을 모델링하고 지면 위(on-paper) 운동 실행과 공중(in-air) 계획 및 전환 행동을 구분합니다. 비정상적 편차를 명시적으로 특성화하기 위해 건강 규범 브랜치가 건강 대조군으로부터 정상적인 필기 역학을 학습하며, 과제 인식 다중 전문가 세그먼트 위험 모듈이 은닉 상태 변화와 규범 편차로 보정된 세그먼트 수준 AD 위험을 추정합니다. 또한 약지도 세그먼트 수준 목적 함수를 통해 수동 세그먼트 주석 없이도 고위험 세그먼트를 발견할 수 있도록 합니다. DARWIN 벤치마크에 대한 실험은 제안된 프레임워크가 기존 방법들에 비해 우수한 AD/HC 분류(classification) 성능을 달성함을 입증합니다. 아울러 발견된 고위험 세그먼트는 원래 필기 궤적으로 역투영될 수 있어, AD 관련 필기 변동과 연관된 해석 가능한 근거를 제공합니다.
Jev-IDS: 네트워크 침입 탐지를 위한 시스템 1 모델
Jev-IDS: System One Models for Network Intrusion Detection
머신러닝 기반 네트워크 침입 탐지 시스템(IDS)은 대규모 레이블링된 데이터셋과 태스크 특화 학습(training)에 의존하는 반면, 대규모 언어 모델(LLM) 기반 탐지는 플로우 기록을 직접 분석할 수 있으나 더 높은 추론(inference) 비용과 지연 시간, 그리고 덜 제한된 출력을 수반합니다. 본 논문에서는 레이블 부족 상황에서 제로데이 침입을 탐지하기 위해 Jev 시스템 1 모델(SOM)을 기반으로 한 공개 실험용 범용 NIDS인 JEV-IDS를 제시합니다. JEV-IDS는 요청당 하나의 플로우를 직렬화하고 JEV에게 이진 공격 확률과 유한 선택 트래픽 카테고리라는 두 가지 질문을 던집니다. 실험 결과에 따르면 k=1일 때 JEV는 GPT-5.6 Luna보다 4.8배 빠르고 3.8배 저렴하면서도 신종 공격 재현율(recall)이 1.5배 더 높았으며, 데이터가 적은 환경의 Random Forest보다 오경보를 15배 적게 생성했습니다. 300개 플로우로 구성된 NSL-KDD 파일럿 분할에 대한 5,400회의 결정 전반에서 JEV는 F1-Score 0.859, 정밀도(precision) 0.941, 재현율 0.790, 신종 공격 재현율 0.838을 달성했습니다. k를 2로 증가시키면 F1-Score는 0.839로 감소했습니다.
HydroJEV: 상수도 관망의 사이버 공격 및 고장 원인 규명을 위한 1초 소요 무학습 선별 모델
HydroJEV: A one-second, training-free screen for cyber-attack and fault attribution in water distribution networks
상수도 관망에서 SCADA 경보가 발생했을 때, 운영자는 그것이 사이버 공격, 물리적 고장, 정상적인 과도 현상, 또는 센서 결함 중 무엇을 반영하는지 신속하게 판단해야 합니다. 지도학습 분류기는 수도 사업자가 거의 보유하지 못한 라벨링된 사고 데이터를 필요로 하며, 프론티어 대규모 언어 모델(LLM)은 결정당 수십 초가 소요됩니다. 본 연구에서는 약 1초 만에 클래스 확률을 반환하는 무학습(training-free) 모델인 Jev가 이러한 분류의 1단계 선별 역할을 수행할 수 있는지 검증했습니다. EPANET의 C-Town 네트워크를 기반으로 구축된 4개 클래스 원인 규명 벤치마크에서, 사전 등록된 4회의 블라인드 라운드 동안 동일한 증거를 바탕으로 Jev를 수작업 규칙 트리, 지도학습 분류기, 그리고 7개의 클라우드 LLM과 비교했습니다. 무라벨 사전 보정(label-free prior correction)만으로도 Jev는 4개 라운드 전체에서 규칙 트리와 동등한 성능(분포 내 매크로 F1 0.62-0.64 대 0.56-0.61)을 보였으며, 라벨에 포함되지 않은 이벤트 하위 유형에서는 지도학습 분류기를 0.36-0.42 앞섰고, 클래스당 라벨링된 이벤트가 약 4개 미만일 때마다 분류기보다 우수한 성능을 나타냈습니다. 또한 Jev는 프론티어 LLM보다 20~40배 더 빠르게 결정을 내렸습니다. 규칙 트리로 확인된 Jev의 정상 판정만을 채택함으로써 매크로 F1의 손실 없이 새로운 블라인드 세트에서 LLM 검토자의 윈도우 작업을 35~38% 줄일 수 있었습니다. 추가적인 두 개 관망에 변경 없이 전이되었을 때도, 이 게이티드 캐스케이드(gated cascade)는 4개 세트 모두에서 검토자의 비열등성 마진(non-inferiority margin) 내를 유지했습니다. 따라서 빠르고 학습이 필요 없는 선별 모델은 정밀한 검토의 정확도를 유지하면서도 SCADA 이상 분류 검토 부담의 약 3분의 1을 대신 처리할 수 있습니다.
양보다 질: 특징 엔지니어링을 통한 불법 비트코인 흐름의 반지도 학습 탐지
Quality over Quantity: Semi-Supervised Detection of Illicit Bitcoin Flows via Feature Engineering
불법 암호화폐 거래 탐지는 극심한 클래스 불균형, 적대적 난독화, 신뢰할 수 있는 라벨의 부족으로 어렵다. 반지도 학습(SSL)은 비라벨 데이터를 활용해 유망한 해결책을 제공하지만, 우리는 그 성공이 데이터 양만으로 보장되지 않으며 데이터 품질에 달려 있음을 보인다. 우리는 Shared Send Mixers(SSM) 거래에서 불법 비트코인 흐름을 탐지하기 위한 SSL 프레임워크를 제안하며, 이는 1억 6,300만 건의 거래로 구성된 포괄적 역사적 데이터셋 위에 구축되었다. 핵심 결론은 SSL의 성공이 데이터 양이 아니라 품질에 달려 있다는 것이다: KeyLinker 주소 클러스터링 및 Shared Send Untangling(SSU) 복잡도 지표와 같은 고충실도 특징은 비라벨 데이터에서 F1 점수 0.84를 달성한다. 마지막으로, One-Time Change(OTC)와 같은 흔한 휴리스틱은 풍부하지만 노이즈를 유입시키는 반면, KeyLinker와 같은 고충실도 특징에 대한 전략적 의존이 필수적임을 실증적으로 보인다. 본 연구는 블록체인 포렌식에서 더 나은 성능으로 가는 길이 더 큰 데이터셋만이 아니라, 데이터 품질을 위한 더 스마트한 특징 엔지니어링에 있음을 확립한다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.