OrthoReg: 하이브리드 심볼릭‑신경 역학 시스템용 직교 정규화
개요
동적 시스템은 자연 세계를 모델링하는 데 근본적이며, 이를 모델링하는 과정은 지속적인 트레이드오프를 수반합니다: 수동으로 정의된 메커니즘 기반 모델은 설계상 해석 가능하지만 종종 과도하게 단순화되고 오해될 수 있으며, 반면에 유연한 데이터 기반 신경 네트워크는 물리적 통찰력이 부족합니다. 하이브리드 모델링은 두 세계의 장점을 결합하여 사전에 정해진 또는 상징적(물리 기반) 구성 요소와 유연한 신경망을 조합하려고 합니다. 그러나 핵심적인 도전 과제는 신경 요소가 메커니즘적인 부분을 다시 학습하여 중복되고 해석하기 어려운 모델을 만들게 되는 것이며, 특히 상징적 구조 자체가 데이터에서 발견될 때 그러합니다. 표준 $L^2$ 정규화 기반 기존 방법들은 프로젝션 논증에 의존하는데, 이 논증은 상징적 요소가 희소한 탐색을 통해 학습될 때 깨지기 때문에 신경 증강이 상징적 구조와 중첩될 수 있게 허용합니다. 우리는 \textbf{OrthoReg} (직교 정규화) 라는 방법을 도입하여 상징적 구성 요소와 신경 구성 요소 사이의 중복을 직접 제재하고, 상징적 구조가 신경 잔여에 흡수되는 것을 방지합니다. 이를 통해 보완적인 분해가 얻어집니다: 상징적 부분은 라이브러리가 표현할 수 있는 것을 Capture하고, 신경 부분은 그 나머지를 Capture합니다. 벤치마크 동적 시스템에서 라이브러리 불일치가 부분적인 경우, OrthoReg는 상징적 회복을 향상시키고 외삽성 행동을 개선합니다.
핵심 공헌
- cs.LG
- cs.AI
- eess.SY
방법론
자세한 방법については 전체 논문을 참고하십시오.
실용적 함의
본 연구는 cs.LG 분야의 발전을 기여합니다.
저자
- Till Richter
- Niki Kilbertus
논문 정보
- arXiv ID: 2606.19145v1
- Categories: cs.LG, cs.AI, eess.SY
- 발행일: 2026년 6월 17일
- PDF: Download PDF