신경망 기반 오디오 코덱 모델의 성능을 다양한 각도에서 종합적으로 평가하여 최적의 코덱 모델을 찾고자 한다.
본 논문은 최적 제어 이론을 활용하여 시간에 따른 신경망 학습을 위한 통합 프레임워크인 Hamiltonian Learning을 제안한다.
신경망 손실 함수 지형은 신경망 학습에 있어 중요한 측면이며, 이의 특성을 이해하는 것은 성능 향상을 위해 필수적이다. 본 연구에서는 샘플 크기 증가에 따른 손실 함수 지형의 변화를 이론적으로 분석하고, 새로운 객체 추가 시 손실 함수 값의 차이에 대한 상한을 도출한다.
웨어러블 BMI 시스템의 성능을 향상시키기 위해 지속적 학습 기법을 적용하여 세션 간 변동성을 극복하고 정확도를 높였다.
뇌파 신호를 활용하여 혼합된 음성 신호에서 관심 화자의 음성을 효과적으로 추출할 수 있는 모델 NeuroSpex를 제안한다.
밀집 연관 메모리의 구현 세부 사항을 조사하고 부동 소수점 정밀도 및 오버플로 문제를 해결하기 위한 수정 사항을 제안했습니다. 이러한 수정 사항은 네트워크 동작을 변경하지 않으면서 계산 안정성을 크게 향상시킵니다. 또한 수정된 네트워크는 상호작용 정점에 크게 의존하지 않는 최적의 하이퍼파라미터 영역을 가지고 있어 새로운 작업에 적용할 때 대규모 하이퍼파라미터 검색이 필요하지 않습니다.
공간-시간 맘바 신경망(STMambaNet)은 뇌파 신호의 복잡한 공간-시간 의존성을 효과적으로 포착하여 운동 상상 분류 성능을 크게 향상시킨다.
에너지 제약 확산 모델은 관찰된 또는 잠재적인 구조를 활용하여 구조화된 데이터의 효과적인 표현을 학습하는 원리적이고 해석 가능한 프레임워크를 제공한다.
그래프 신경망을 활용하여 음성 세그먼트 간 관계를 효과적으로 활용함으로써 파킨슨병 진단 성능을 향상시킬 수 있다.
EEG 신호에서 지역적 세부 사항과 전역적 관계를 동시에 활용하여 감정 인식 성능을 향상시킬 수 있다.