산업 규모의 멀티태스크 추천 시스템에서 멀티태스크 학습 성능 향상을 위한 새로운 접근 방식: MultiBalance
MultiBalance는 멀티태스크 학습에서 발생하는 negative transfer 문제를 해결하기 위해 공유 특징 표현에 대한 작업별 기울기를 균형 있게 조정하여 추천 시스템의 성능을 향상시키는 효율적인 기울기 균형 접근 방식입니다.
GradCraft: 전체론적 그래디언트 조정을 통한 멀티태스크 추천 성능 향상
GradCraft는 멀티태스크 추천 시스템에서 그래디언트 크기와 방향을 동적으로 조정하여 작업 간의 간섭을 최소화하고 성능을 향상시키는 새로운 방법입니다.
대규모 언어 모델을 활용한 멀티태스크 온라인 서버 구축 및 비용 절감 효과 검증
본 논문에서는 대규모 언어 모델을 활용하여 여러 자연어 처리 작업을 동시에 처리하는 멀티태스크 온라인 서빙 프레임워크를 제안하고, 이를 통해 단일 작업 방식 대비 최대 90.9%의 비용 절감 효과를 달성할 수 있음을 보여줍니다.
문맥 정보를 활용한 신용 시장에서의 멀티태스크 동적 가격 책정
본 논문에서는 거래 데이터 부족 문제를 해결하기 위해 증권 간의 구조적 유사성을 활용하는 멀티태스크 동적 가격 책정 프레임워크를 제안하여, 신용 시장에서 다양한 금융 상품의 가격을 효율적으로 책정하는 방법을 제시합니다.
클러스터 가능한 하위 모집단에 대한 다중 그룹 보장을 통한 학습: 클러스터링 없이 향상된 오류율 달성
본 논문에서는 데이터에서 하위 모집단 구조를 명시적으로 학습하지 않고도 여러 하위 모집단에 대해 높은 성능을 보장하는 새로운 접근 방식을 제시합니다. 이는 가능한 모든 하위 모집단 구조를 포괄하는 커버를 구성하고 모든 구조에 대해 동시에 좋은 성능을 제공하는 멀티태스크 학습 알고리즘을 활용하여 가능합니다.
분자 멀티태스크 학습에서 물리적 일관성을 통한 이질적인 데이터의 연결
분자 멀티태스크 학습에서 서로 다른 정확도 수준을 가진 이질적인 데이터를 효과적으로 활용하기 위해 에너지 예측과 평형 구조 예측 사이의 물리 법칙을 활용한 일관성 학습 방법을 제안한다.
© 2024 by Linnk AI