329 편의 논문
이 논문은 그래프 기반 표본 딥러닝 (GTDL) 방법들이 예측 정확도만 추구하다 보니 실제 특징 간 상호작용을 무작위 수준으로만 모델링하며, 오히려 정확한 상호작용 구조를 반영할 때 예측 성능이 향상됨을 합성 데이터를 통해 입증하고, 이에 따라 GTDL 이 예측력 향상을 위해 그래프 구조의 정확한 모델링을 우선시해야 함을 주장합니다.
이 논문은 미니배치 최적 수송, 모듈형 정규화, 그리고 지도 정보 통합을 통해 기존 이산적 방법의 확장성 한계와 신경망 접근법의 복잡성을 극복하고, 다양한 분야에서 새로운 최첨단 성능을 달성하는 확률 측도 공간의 와세르슈타인 그래디언트 흐름 기반의 확장 가능하고 정규화된 바리센터 계산 알고리즘을 제안합니다.
이 논문은 커널의 메르서 표현을 활용하여 신경망 매개변수에 직접 정의된 '메르서 사전분포'를 제안함으로써, 소규모 데이터에 국한된 가우시안 프로세스의 해석 가능성과 대규모 데이터에 적합한 베이지안 신경망의 확장성을 동시에 확보하는 새로운 프레임워크를 제시합니다.
이 논문은 의료 영상 등 실제 환경에서shortcut-label 이나 shortcut-충돌 샘플 없이도, 해리된 잠재 공간에서 타겟된 아노트로픽 노이즈를 주입하여 분류기의 민감도를 정규화함으로써 OOD 일반화 성능을 획기적으로 개선하는 'Shortcut Invariance' 방법을 제안합니다.
이 논문은 비선형적 보상 함수와 고차원 환경에서 기존 샤플리 값의 한계를 극복하기 위해, 단조 변환 학습과 L0 희소성 제약을 통합한 '희소 등방성 샤플리 회귀 (SISR)' 프레임워크를 제안하여 정확한 특성 기여도 해석을 가능하게 합니다.
이 논문은 공간 그래프의 노드 수를 줄이면서도 주요 위상적 특성을 보존하기 위해 삼각형 인식 여과 (triangle-aware graph filtration) 와 지속적 다이어그램을 활용한 매개변수 없는 위상적 공간 그래프 축소 기법을 제안하고, 회전·이동·확대에 대한 불변성을 증명하여 그 유효성을 입증합니다.
이 논문은 고차원 희소 마코프 결정 과정에서 아드버서리에 의한 데이터 오염이 존재하는 상황에서도 단일 정책 집중성 가정 하에 최적 정책에 근접하는 학습이 가능함을 보이는, 희소성과 오염 견고성을 동시에 고려한 새로운 액터-크리틱 알고리즘을 제안합니다.
이 논문은 생물학 및 물류 등 다양한 도메인의 그래프 데이터에서 노드, 엣지, 그래프 수준의 매개변수에 대한 효율적인 베이지안 추정을 가능하게 하기 위해, 그래프 인코더와 신경 사후 추정기를 결합한 새로운 amortized Bayesian inference 프레임워크를 제안하고 그 성능을 검증합니다.
이 논문은 시간적 또는 공간적 프로필 형태의 함수형 공변량과 다중 상관 작업을 동시에 처리할 수 있는 확장 가능한 다작업 가우시안 프로세스 모델을 제안하여, 리벳 조립체와 같은 복잡한 기계 시스템에서 적은 샘플로도 정확한 예측과 불확실성 정량을 가능하게 함을 보여줍니다.
이 논문은 비균일 부피 분할을 기반으로 한 새로운 층화 표본 추출 방법이 기존 지터드 샘플링보다 낮은 기대 별 편차 (expected star discrepancy) 를 달성하고 기존 상한을 개선한다는 것을 증명하여 고차원 수치 적분을 위한 이론적 토대를 마련합니다.
이 논문은 기존 중심점 기반 클러스터링의 중복성을 해결하고 데이터 요약의 간결성과 정확성 간의 균형을 개선하기 위해, 중심점이 두 개 이상의 간결한 프로토중심점 집합의 상호작용에서 비롯된다는 가정을 바탕으로 'Khatri-Rao k-Means' 알고리즘과 'Khatri-Rao 심층 클러스터링' 프레임워크를 제안합니다.
이 논문은 비선형 역학 시스템에서 데이터 동화의 성능을 향상시키기 위해, 학습된 잠재 공간 내에서 선형적이고 안정적인 역학을 갖는 오토인코더 기반 앙상블 칼만 필터 (LAE-EnKF) 를 제안하고 그 이론적 근거와 수치적 유효성을 입증합니다.
이 논문은 분산 딥러닝 훈련 시 병렬화, 메모리, 네트워크 토폴로지를 통합적으로 고려하여 구조화된 동적 프로그래밍을 통해 최적의 디바이스 배치를 찾는 NEST 프레임워크를 제안하며, 기존 방법론 대비 최대 2.43 배의 처리량 향상과 향상된 확장성을 입증합니다.
본 논문은 예측 불확실성을 명시적으로 반영하는 크레달 (credal) 방법과 분포 무관한 보장을 제공하는 공형적 (conformal) 예측의 장점을 결합하여, 모델의 외삽 영역에서도 해석 가능하고 보정된 예측 구간을 제공하는 'CREDO'라는 새로운 회귀 기법을 제안합니다.
이 논문은 분산이 무한한 중꼬리 분포를 가진 거래자 평가 하에서 컨텍스트 양자 거래 문제를 연구하여, 유계 밀도 조건 하의 자기-경계 성질을 확장하고 절단된 평균 추정법을 결합해 최적의 최소최대 후회율을 도출하고 이를 하한과 일치시킴으로써 의 고전적 비모수율과 의 선형율 사이의 정확한 수렴 속도를 규명했습니다.
이 논문은 변분 원리, 그린 함수, 그리고 특성선 방법을 통합하여 비선형 동역학계의 쿠퍼 (Koopman) 고유함수를 근사하기 위한 재현 커널을 구성하고 학습하는 통일된 프레임워크를 제시하며, 수치 실험을 통해 그 유효성과 강건성을 입증합니다.
이 논문은 속성 정보를 활용하는 환경에서는 공정한 머신러닝이 소외 계층의 성과를 개선하지만, 속성 정보를 배제한 환경에서는 분포에 따라 오히려 모든 그룹의 성과가 하락하는 '수준 하향 평준화'가 발생할 수 있음을 규명합니다.
이 논문은 정책 경사 (PG) 기반 후학습이 베이스 모델의 지원 (support) 내에서는 최적의 효율성을 보이지만, 이를 벗어날 때는 차원의 저주에 직면한다는 한계를 규명하고, 이를 극복하기 위해 토큰 수준의 가능도 분위수 (LQ) 에 의존하는 과정 보상 모델을 제안합니다.
이 논문은 평균 치료 효과 (ATE) 가 0 인 상태에서도 최적화 과정에서 숨겨진 인과적 편향이 발생할 수 있음을 '인과적 가림' 문제로 규명하고, 이를 탐지하기 어렵기 때문에 공정성 규제를 개별 결정이 아닌 모델 수준에서 수행해야 함을 주장합니다.
이 논문은 매칭 플랫폼에서 참여자 만족도를 극대화하기 위해 제안된 '결합 할당 밴딧 (CAB)' 문제를 정의하고, 이를 해결하기 위한 상한 신뢰구간 (UCB) 및 톰슨 샘플링 (TS) 알고리즘을 개발하여 이론적 성능을 증명하고 실험을 통해 검증했습니다.