[논문] 동적 정책 그라디언트를 통한 이산 잠재 구조 생성 모델링

Source: arXiv - 2606.07400v1

개요

많은 과학적 문제는 간접 관측으로부터 관찰되지 않은 메커니즘적 잠재 상태를 추론해야 합니다. 기대 최대화와 같은 고전적 방법은 조합적으로 큰 공간에 대해 확장되지 않으며, 변분 오토인코더와 같은 딥러닝 접근법은 메커니즘적 실제 상태를 복원하기보다는 인공적인 잠재 상태를 형성하는 경우가 많습니다. 여기서 우리는 동적으로 재조정된 보상을 사용하여 관측 데이터 가능도를 최대화하는 잠재 상태 분포를 학습하는 정책 학습 프레임워크인 GReinSS를 소개합니다. 우리는 GReinSS가 시뮬레이션된 잠재 집합과 잠재 그래프를 정확히 복원하고, 대안적인 정책 학습 및 생성 모델링 베이스라인보다 우수함을 보여줍니다. 또한 GReinSS는 실제 단일‑읽기 RNA 시퀀싱 데이터에서 아이소폼을 복원하는데, 이는 표준 RSEM 알고리즘보다 직교적인 장기‑읽기 시퀀싱으로 검출된 아이소폼과 더 잘 일치합니다. 전반적으로 GReinSS는 간접 관측으로부터 조합적 잠재 상태를 생성 모델링하고 추론하기 위한 원칙적이며 실용적인 접근법입니다.

주요 기여

이 논문은 다음 분야의 연구를 제시합니다.

• cs.LG

방법론

자세한 방법론은 전체 논문을 참고하십시오.

실용적 함의

이 연구는 cs.LG 분야의 발전에 기여합니다.

저자

• Stefan Ivanovic
• Ge Liu
• Mohammed El-Kebir

논문 정보

• arXiv ID: 2606.07400v1
• Categories: cs.LG
• Published: 2026년 6월 5일
• PDF: Download PDF