Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
초파리의 환경 감지 메커니즘에서 영감을 얻어, 분류(Classification) 방식을 통해 회귀(Regression) 작업을 수행하는 새로운 프레임워크를 제안합니다. 국소 패턴 라이브러리와 유사도 측정을 활용하여 비선형 시스템의 예측 정확도와 계산 효율성 사이의 트레이드오프를 최적화합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.LG의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기우리는 초파리가 환경을 감지하는 메커니즘에서 영감을 얻어, 분류(Classification)를 사용하여 회귀(Regression) 작업을 수행하는 새로운 접근 방식을 제시합니다. 구체적으로, 우리는 복잡한 전역 대리 모델(Global surrogate models)을 대표적인 국소 패턴(Local patterns)의 유한한 라이브러리로 대체함으로써 비선형 입출력 관계를 학습하기 위한 일반적인 프레임워크를 공식화합니다. 과학 데이터는 종종 입력 공간의 제한적이고 반복되는 영역을 차지하므로, 우리는 쿼리(Query)와 저장된 패턴 사이의 유사성을 측정하고, 가중 재구성(Weighted reconstruction)을 통해 이와 관련된 응답들을 결합함으로써 예측을 생성합니다. 우리는 적절한 임베딩(Embeddings)과 유사도 측정(Similarity measures)을 사용하여 이 접근 방식을 비선형 동역학 시스템(Nonlinear dynamical systems), 데이터 기반 회귀(Data-driven regression), 그리고 물리 정보 기반 학습(Physics-informed learning)에 적용합니다. 동역학 시스템의 경우, 우리의 오프라인-온라인(Offline-online) 워크플로우는 오프라인 단계에서 데이터나 지배 방정식(Governing equations)으로부터 패턴을 추출하며, 온라인 예측에는 유사도 평가와 응답 집계(Response aggregation)만이 필요합니다. 이러한 구조는 정확도, 저장 공간, 추론 비용 간의 트레이드오프(Trade-off)를 명시적으로 제어할 수 있게 해주는 동시에 계산 및 메모리 요구 사항을 줄이는 데 도움을 줍니다.