본 연구는 변화점 탐지 알고리즘의 정확도를 높이기 위해 딥러닝 기반의 새로운 패널티 예측 방법을 제안한다. 기존 선형 모델이나 트리 기반 모델과 달리, 제안하는 다층 퍼셉트론(MLP) 모델은 데이터의 복잡한 패턴을 효과적으로 학습할 수 있다.
Fisher-Rao 경사 흐름을 사용하여 엔트로피 정규화 min-max 게임의 고유한 혼합 내쉬 균형에 지수적으로 수렴할 수 있음을 보여줍니다.
기계 학습을 사용하여 목표 매개변수에 대해 최대한 민감하고 검출기 왜곡에 최소한 민감한 관측 변수를 설계할 수 있다.
과대매개변수화된 최적화 문제에서 확률적 경사 하강법이 수렴할 수 있는 전역 최소값을 특성화한다. 특히 전역 최소값의 동적 안정성을 나타내는 특성 Lyapunov 지수를 도입하고, 이 지수의 부호가 확률적 경사 하강법의 수렴 가능성을 결정한다는 것을 엄밀히 증명한다.
대규모 언어 모델은 논리적 추론 능력 부족과 환각 생성 문제를 겪고 있다. 이를 해결하기 위해 자기 평가와 자기 업데이트로 구성된 자기 피드백 프레임워크가 제안되었다.
Kaplan과 Chinchilla 연구에서 보고된 대규모 언어 모델의 규모 확장 법칙 간 차이는 주로 Kaplan이 임베딩 파라미터를 제외하고 분석했으며 작은 규모의 모델을 사용했기 때문에 발생한 것으로 나타났다.
마이너 특이 성분을 활용하여 대규모 언어 모델의 매개변수 효율적인 미세 조정을 달성할 수 있다.
대규모 언어 모델의 기계 번역 성능은 제공되는 문맥 예시의 품질에 크게 의존한다. 본 연구는 문맥 예시의 품질을 추정하는 도메인 특화 품질 추정 모델을 활용하여 문맥 학습 방법을 제안하고, 이를 통해 기계 번역 성능을 향상시킨다.
PHM 데이터 챌린지 공개 데이터를 활용하여 산업 시스템의 진단 및 예후 분석을 위한 기계 학습 기법을 종합적으로 검토하고 통합적인 프레임워크를 제안한다.
Shapley 값을 활용하여 제약 조건 기반 인과 구조 학습 알고리즘의 성능을 향상시킬 수 있다.