대규모 언어 모델(LLM)의 아키텍처가 수렴되고 있으며, 특히 서버 및 엣지 환경에서 하이퍼파라미터 설정에 따라 성능이 달라지는 경향을 보인다.
本文提出了一種名為 AT-MoE 的新型混合專家模型架構,旨在解決傳統 MoE 模型在處理複雜任務時,特別是在需要專業知識和可解釋性的情況下所面臨的挑戰。
AT-MoE는 복잡한 작업을 효율적으로 처리하기 위해 작업별 전문가를 훈련하고, 작업 지침에 따라 전문가 가중치를 동적으로 할당하는 적응형 그룹 라우팅 모듈을 사용하는 새로운 신경망 아키텍처입니다.
本稿では、従来の混合専門家モデル(MoE)におけるタスク特化学習と解釈可能性の課題を、LoRAを用いた適応型タスクプランニングMoE(AT-MoE)アーキテクチャによって解決することを提案している。
本文提出了一種基於深度學習的新方法 LISAC,用於設計具備感測和通訊雙重功能的 OFDM 編碼波形,並透過模擬驗證其在感測效能和通訊品質之間取得了比現有方法更好的平衡。
본 논문에서는 심층 학습 기반의 새로운 코드화된 파형 설계 방법인 LISAC를 제안하며, 이는 OFDM 기반 ISAC 시스템에서 감지 및 통신 성능 간의 균형을 효과적으로 조정합니다.
本稿では、直交周波数分割多重化(OFDM)に基づく統合センシングと通信(ISAC)システムにおいて、優れたセンシング性能と高い通信品質(ビット誤り率:BER)を両立させる、深層学習を用いた新しい符号化波形設計手法であるLISACを提案する。
本稿では、従来の画像圧縮技術の課題である画質と効率性のトレードオフ、およびセキュリティの脆弱性を克服するため、自己符号化を用いた新たな画像圧縮手法を提案しています。
본 논문에서는 비평활 비볼록 함수의 최소화 문제에 있어 확률적 서브그래디언트 방법의 전역적 안정성을 보장하는 새로운 프레임워크를 제시하고, 이를 바탕으로 다양한 확률적 서브그래디언트 방법의 수렴 특성을 분석합니다.
本稿では、非平滑非凸関数の最小化において、確率的劣勾配法の大域的安定性と収束性を保証する一般的な枠組みを提案する。特に、提案する枠組みは、広く用いられている確率的勾配降下法(SGD)の多くの変種に適用可能であり、それらの反復が安定集合の近傍に収束することを理論的に示す。