순서가 있습니다. 포털 넷(연구방·지식센터·커뮤니티·아카데미)을 먼저 담고,
SSRA 는 맨 나중에 담아 주세요. SSRA 를 먼저 담으면 나머지가 그 안에 포함된 것으로
잡혀 따로 담기지 않습니다. 아이콘도 담을 차례대로 놓았습니다 — 왼쪽부터 차례로 누르시면 됩니다.
Improving FMQA via Initial Training Data Design Considering Marginal Bit Coverage in One-Hot Encoding
Taiga Hayashi, Yuya Seki, Kotaro Terada 외 · Journal of the Physical Society of Japan · 2026년 · 조회 7
왜 이 논문인가 — 선정 기준
NEW PAPER · 최근 발표된 참신한 논문 — 게재일 기준 최신 + 정상 등재 저널
2026-11 발표 · 게재 1일차 · Journal of the Physical Society of Japan
NEW PAPER 슬롯은 최신성과 참신성을 중시하는데, 2026년 발표된 논문으로 FWCI 1.6·인용 상위 6%라는 높은 지표를 기록하고 있다.
논문 요약
Factorization Machine 기반의 FMQA는 이징 머신을 활용한 QUBO 탐색과 결합된 블랙박스 최적화 방법이다. 원-핫 인코딩을 사용할 경우 무작위 초기 샘플링은 일부 이진 변수가 한 번도 활성화되지 않아 파라미터 업데이트가 이루어지지 않는다. 본 연구는 모든 이진 변수가 최소 한 번은 ‘1’이 되도록 하는 완전 주변 비트 커버리지를 목표로 초기 학습 데이터를 설계한다. 이를 위해 라틴 하이퍼큐브 샘플링(LHS)과 Sobol’ 시퀀스를 적용한 LHS‑FMQA와 Sobol‑FMQA 두 가지 방법을 제시한다.
후속 연구설계에 활용하기
후속 연구에서는 원-핫 인코딩을 사용하는 블랙박스 최적화에서 각 비트를 최소 한 번 활성화하도록 LHS·Sobol 샘플링을 적용해 변수 커버리지를 보장할 수 있다.
핵심어
팩터라이제이션 머신원-핫 인코딩초기 학습 데이터라틴 하이퍼큐브 샘플링
실존 확인
이 논문은 OpenAlex에서 후보로 수집한 뒤, Crossref에 등록된 DOI와 제목 일치를 확인해 노출합니다.
SSRA가 문헌연구에서 인용 논문의 실재 여부를 검증하는 원칙과 같습니다.