AutoML 프레임워크를 통한 무선 네트워크 및 모바일 컴퓨팅 기술 동향 예측
Forecasting Technological Directions in Wireless Networks and Mobile Computing via AutoML Framework
한국어 초록
과학 논문의 지수적 증가는 새로운 트렌드의 등장을 촉진했다. 이러한 발전을 정확히 예측하는 것은 연구자와 전문가가 해당 분야의 최신 동향을 파악하는 데 필수적이다. 본 연구는 클러스터링, 토픽 모델링, 시계열 분석을 통합하여 무선 네트워크 및 모바일 컴퓨팅 분야의 트렌드 예측을 위한 자동화 파이프라인을 제시한다. 이 과정은 고임팩트 저널과 학회에서 127,820개의 초록을 수집하는 것으로 시작되며, 이어 광범위한 전처리와 SPECTER 모델을 이용한 의미적 임베딩이 수행된다. AutoCluster는 데이터셋 메타 특성(meta-features)에 기반하여 가장 적합한 클러스터링 알고리즘을 선택하기 위해 메타학습(meta-learning)을 적용하여 의미적으로 일관된 그룹을 형성한다. AutoTopicModeling은 각 클러스터별로 최고 성능의 토픽 모델을 식별하기 위해 연속 절반 축소(successive halving) 전략을 사용하고, 이어 대규모 언어 모델(LLM) 보조 토픽 라벨링과 선택적 라벨 일반화를 수행한다. 마지막으로 AutoTrendAnalysis는 토픽 라벨이 부여된 데이터를 시계열로 변환하고 ARIMA, STL, Prophet, LSTM 등의 예측 모델을 적용하여 향후 토픽 인기도를 예측한다. 토픽은 예측 궤적에 따라 강한 신호, 약한 신호, 또는 노이즈 신호로 분류되어 부상하는 연구 주제와 쇠퇴하는 연구 주제에 대한 해석 가능한 통찰을 제공한다. 이 프레임워크는 확장 가능하고 적응적이며, 과학 분야 전반에 걸친 견고한 트렌드 분석을 위해 설계되었다. 실험 결과는 높은 예측 정확도를 보여 평균 제곱근 오차(RMSE) 36.76을 달성했다.
원문 초록
The exponential increase in scientific publications has driven the emergence of new trends. Accurate forecasting of these developments is essential for researchers and professionals to stay updated with advancements in the field. This study presents an automated pipeline for trend prediction in the wireless networks and mobile computing domain by integrating clustering, topic modeling, and time series analysis. The process begins with the collection of 127,820 abstracts from high-impact journals and conferences, followed by extensive preprocessing and semantic embedding using the SPECTER model. AutoCluster applies meta-learning to select the most suitable clustering algorithm based on the dataset meta-features, ensuring semantically coherent groupings. AutoTopicModeling then employs a successive halving strategy to identify the best-performing topic model per cluster, followed by LLM-assisted topic labeling and optional label generalization. Finally, AutoTrendAnalysis transforms topic-labeled data into time series and applies forecasting models -ARIMA, STL, Prophet, or LSTM - to predict future topic popularity. Topics are classified as strong, weak, or noise signals based on forecast trajectories, offering interpretable insights into emerging and declining research themes. The framework is scalable, adaptive, and designed for robust trend analysis across scientific domains. Experimental results demonstrated high predictive accuracy, achieving a Root Mean Square Error (RMSE) of 36.76.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.27394v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
평가 선택이 예측 리더보드를 결정한다: 실제 운영 마켓플레이스 패널로부터의 증거
Evaluation Choices Decide the Forecasting Leaderboard: Evidence from a Production Marketplace Panel
예측 벤치마크는 어떤 방법이 이겼는지를 보고한다. 우리는 그 답이 모델을 학습하기도 전에 평가자의 선택에 의해 정해진다는 점을 보인다. 우리는 2025년대의 시계열 파운데이션 모델(time series foundation model) 6종을 포함한 24가지 예측 방법과 교과서적 기준 방법 하나를, 67개월에 걸친 1,887개 기업 고객으로 구성된 실제 운영 마켓플레이스 패널에서 벤치마크한다. 데이터, 예측 구간(horizon), 기간은 고정하고 평가 설계만 변화시킨다. 세 가지 선택은 각각 핵심 결론을 뒤집거나 무효화한다. 분석 단위를 시장 전체에서 개별 고객으로 바꾸면, 우리의 운영 기준선(baseline)은 19개 중 2위이며 어떤 방법에도 지지 않던 상태에서 25개 중 23위로 이동한다. 이 경우 24개 도전 방법 중 19개가 기준선을 능가한다. 오차를 얼마나 풀링(pooling)하는지에 따라 Diebold-Mariano 검정이 무언가를 발견하는지 여부 자체가 달라진다. 점 예측 대신 예측 구간을 평가하면 순위가 거의 완전히 뒤바뀌며, 간헐적 수요(intermittent demand)에서 순위 상관은 0.02이다. 이어서 실제 배포된 시스템이 이로부터 무엇을 얻는지 측정한다. 이 시스템의 선택 규칙은 아무것도 하지 않는 경우와 사후적 이점(hindsight)을 활용해 선택하는 경우 사이의 거리 중 55%를 확보한다. 이러한 순위 역전은 우리 데이터만의 특이한 현상이 아니다. 우리는 공개된 프로토콜을 수정 없이 공개 M5 소매 패널에서 실행했다. 동일한 형태의 기준선은 시장 전체 수준에서는 1위, 시계열별 수준에서는 모든 방법에 뒤지는 꼴찌를 기록하며, 재현 실행한 선택 규칙은 그곳에서 동일한 하한-상한 간 거리의 64.7%를 메운다. 그 후보군에 제로샷(zero-shot) 파운데이션 모델 5종을 추가하면 전체 수준의 우승자는 바뀌지만 이러한 양상은 바뀌지 않는다. 예측 구간의 사각지대 역시 그대로 나타나, 컨포멀(conformal) 구간은 가장 변동이 심한 품목에서 커버리지가 가장 크게 부족하다. 우리 패널을 점점 더 작은 그룹으로 나누면 이 대비는 하나의 곡선이 되며, 세분화 수준이 높아질 때마다 기준선의 순위는 악화된다. 우리는 평가 프로토콜을 공개하며, 발견하기 전까지 결과를 뒤집어 놓았던 우리 자신의 오류도 함께 보고한다.
기하학 기반 소프트 상태 추상화의 예측 한계 및 쿱만 폐포
Prediction Limits and Koopman Closure of Geometry-Induced Soft State Abstractions
소프트 상태 표현(soft state representation)은 각 상태에 합이 1인 음이 아닌 클래스 가중치 벡터를 할당합니다. 본 연구에서는 이러한 가중치의 구성과 상태 동역학이 선형 예측의 정확도를 어떻게 공동으로 결정하는지 조사합니다. 고정된 임의의 가측 표현(measurable representation)에 대해, 지정된 스펙트럼 노름(spectral norm) 한계를 가진 행렬들 중 모집단 최소 평균 제곱근 예측 오차에 대한 유한 표본 신뢰 하한을 유도합니다. 이 한계는 각 참조 클래스 내 후속 좌표의 변동과 소프트 입력이 제공할 수 있는 개선 정도를 비교합니다. 또한 예측 행렬을 적합하지 않고도 독립적인 평가 쌍으로부터 계산됩니다. 선택된 허용 오차를 초과하는 한계는 해당 행렬 클래스 전체에 대해 그 허용 오차를 배제하며, 0인 한계는 결론을 내릴 수 없음을 의미합니다. 커널 아핀 헐 머신(Kernel Affine Hull Machines)을 사용하여 구성된 좌표의 경우, 재구성 점수 마진이 참조 라벨과의 불일치를 제어하며 예측 오차 한계에 반영됩니다. 정확한 결정론적 선형 진화 하에서, 잉여 계수 벡터를 고려하여 쿱만(Koopman) 및 재생핵 힐베르트 공간(RKHS) 수반 해석도 확립합니다. 4개 상태 연구에서는 보고된 117,000개의 복제 데이터셋에 걸쳐 신뢰 하한을 해석적으로 알려진 최적값과 비교합니다. 그런 다음 파일럿 데이터에서 선택된 반데르폴(Van der Pol) 표현을 두 가지 전이 법칙 각각에 대해 32개의 독립적인 데이터셋에서 평가합니다. 보고된 한계는 적합된 행렬 노름에서는 양수이지만, 더 큰 노름 한계에서는 0이 될 수 있습니다. 추가적인 예측 연구를 통해 좌표 변동, 공통 예측 목표, 장기 시계(long-horizon) 오차를 검토합니다. 이러한 결과는 재구성 클래스와의 일치도, 달성 가능한 예측 정확도, 정확한 연산자 폐포(operator closure)를 구별합니다.
Forecast Workflow Bench: 예산 제약 예측 도구를 활용한 언어 모델 의사결정 평가
Forecast Workflow Bench: Evaluating Language-Model Decisions with Budgeted Forecast Tools
시계열 파운데이션 모델(TSFM)은 운영 의사결정을 위한 예측을 제공하지만, 정확도만으로는 그 가치를 판단할 수 없다. 이러한 모델을 사용하는 에이전트를 평가하려면 의사결정 품질과 예측 비용을 측정해야 한다. FWBench는 고정된 예측 도구와 시뮬레이션된 용량 계약을 사용하여 전력 및 자전거 대여 사례 1,251건에 대해 이 역량을 평가한다. 에이전트는 모델, 이력(history) 및 예측 구간(horizon)을 선택한 뒤, 명시된 손실-비용 목적을 최소화하도록 용량을 제출한다. 호스팅 2종과 소형 언어 모델을 포함한 로컬 8종 구성을 평가했으며, TSFM 유무에 따른 로컬 모델도 시험했다. GPT-6 Astra는 예산의 2.5%만 사용해 저렴한 단기 예측을 선택적으로 구매했으며, 절감된 의사결정을 세 가지 손실-비용 가중으로 채점했을 때 고정 정책을 능가했다. FWBench는 비용 제약 하에서 언어 모델이 시계열 예측을 어떻게 선택하고 활용해 의사결정하는지 재현 가능하게 평가할 수 있게 한다.
제안하되 판단하지 마라: 투자 팩터를 발굴하는 LLM 에이전트를 위한 언제든 유효(anytime-valid) 심판
Propose, Don't Judge: An Anytime-Valid Referee for LLM Agents That Mine Investment Factors
언어 모델 에이전트는 이제 양적 팩터 연구 전 과정을 수행한다. 투자 팩터를 제안하고, 백테스트하며, 생존자를 선별하고 은퇴시킨다. 우리는 그 일 가운데 에이전트가 어떤 역할을 유지해야 하는지 묻는다. 우리의 답은 통제된 자기 진화(governed self-evolution)이다. 에이전트는 제안할 수 있고, 에이전트가 건드릴 수 없는 고정(frozen) 통계 심판이 판단해야 한다. 심판은 제출 이후에 공개된 시장 결과만을 베팅(betting)으로 각 후보를 채점하므로, 어떤 제안 정책에 대해서든 모든 정지 시점(stopping time)에서 허위 발견(false-discovery) 보장이 성립한다. 우리는 세 가지 제안자(스크립트, 밴딧, 언어 모델)와 이 심판 및 의도적으로 누수가 있는(leaky) 세 가지 심판을 교차한다. 실험은 심재 진실(planted truth)이 있는 합성 세계, 프로브 작성 환경, CSI 500에 대한 10년 워크포워드(walk-forward)에서 수행한다. 누가 판단하는지가 허위 채택(false admissions) 수를 정한다. 고정 심판은 스크립트 제안자 하에서 누수 심판보다 임계값 미만(sub-threshold) 팩터를 5–11배 적게 채택하며, 어떤 제안자도 그 격차를 메우지 못한다. 누가 제안하는지가 수확(yield)을 정한다. 언어 모델은 스크립트를 능가하고 밴딧과 맞먹으며, 밴딧에는 없는 유일한 능력인 자체 진단 프로브 작성을 더한다. 인증(certificate)의 대가는 시간이다. 채택된 진짜 팩터는 약 500 거래일을 기다리며, 따라서 인증 포트폴리오의 Sharpe 비율은 게이트 없는(ungated) 포트폴리오에 뒤진다. 판단은 절차(procedure)에 속하고, 제안과 도구(instrument) 제작은 에이전트에 속한다.
추세 예측 기반 복합 교통 네트워크 보안 회복탄력성 복구 방법
A Resilience Recovery Method for Complex Traffic Network Security Based on Trend Forecasting
정보 기술의 급속한 발전으로 항공, 항우주, 차량, 선박, 전력, 산업 등 다양한 분야에 걸쳐 거대하고 복잡한 교통 네트워크가 구축되었다. 그러나 구조의 복잡성과 다양성으로 인해 복합 교통 네트워크는 공격에 취약하며 심각한 보안 과제에 직면한다. 따라서 본 논문은 회복탄력성 추세 예측에 기반한 교통 네트워크 회복탄력성 복구 방법을 혁신적으로 제안한다. 본 논문에서는 네트워크 장애 전파 과정 분석에 위험값을 도입하고, Susceptible, Infectious, Recovered, Dead-Risk(SIRD-R) 장애 전파 모델을 구축한다. 네트워크 회복탄력성 지지 능력과 회복탄력성 복구 능력을 통합하여 실시간 회복탄력성과 전체 회복탄력성을 포괄하는 교통 네트워크 회복탄력성 모델을 구성한다. 이어서 장단기 메모리(LSTM) 네트워크를 이용해 복합 교통 네트워크의 회복탄력성을 예측하고, 예측에 기반한 복합 교통 네트워크 회복탄력성 복구 전략을 제안한다. 마지막으로 다양한 복합 교통 네트워크에 대한 실험 분석을 통해 제안 방법의 효과성과 확장성을 입증하고, 실제 시나리오에서의 적용 가능성을 확인한다.
$\beta$-통합 지역 깊이와 적응형 그룹화를 통한 자동 깊이 기반 로컬 중심 클러스터링
Automatic depth-based local center clustering via $\beta$-integrated local depth and adaptive grouping
클러스터링은 레이블이 없는 데이터를 여러 그룹으로 분할하는 비지도 학습 기법이다. 기존 대부분의 방법은 클러스터 수나 이웃 크기와 같이 사용자가 지정해야 하는 매개변수를 요구한다. 반면 우리는 수치적 매개변수 조정을 없애는 완전히 데이터 주도적인 방법인 automatic depth-based local center clustering(A-DLCC)을 제안한다. A-DLCC는 $\beta$-integrated local depth를 사용하여 여러 지역성 수준에서 일관되게 중심에 있는 점, 즉 안정적 exemplar인 local center를 식별하고, 이들을 대표성(representativeness)에 따라 순위화한다. 각 local center는 유사한 점들의 그룹을 유도하며, 그룹 수준 유사도는 제안한 비모수적 지표인 group-level local similarity로 측정한다. 병합을 안내하기 위해 그래프 이론의 bottleneck path 개념을 통합하며, 이는 우리의 적응형 병합 기준의 기반이 된다. 이 기준에 따라 그룹이 자기 자신보다 더 잘 도달하는 이웃에 흡수되거나, 양쪽 모두가 각자의 배경보다 더 도달 가능하다고 보는 이웃과 결합되는 단일 점진적 병합(agglomeration) 규칙을 설계한다. 모든 병합은 추가로 configuration-model null이 기대하는 것보다 강한 접촉(contact)에 의해 이루어져야 한다. 이 규칙은 클러스터 수를 자동으로 추정하고 병합을 중단할 시점을 결정한다. 합성 데이터와 실제 데이터에 대한 실험은 A-DLCC가 매개변수 조정 없이 해석 가능한 클러스터링 결과를 생성함을 보여준다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.