提案手法は、CSI フィードバックと前処理を統合的に最適化することで、特に低信号対雑音比および低フィードバック量の条件下で、ダウンリンクの合計レートを大幅に改善できる。
深層学習ベースの無線通信分類器は、対抗的攻撃に対して脆弱である。本研究では、知識蒸留と ネットワーク剪定を用いて最適化された深層学習モデルを提案し、効率的な対抗的訓練プロセスを通じてロバスト性を向上させる。
高性能コンピューターの未使用ノードを活用することで、ディープニューラルネットワークのトレーニングを効率的に行うことができる。
深層強化学習を用いて、ディープニューラルネットワークの実行時間制約を満たしつつ、ハードウェアリソースの利用効率を最大化するオンラインスケジューリングアルゴリズムを提案する。
提案するOCGECフレームワークは、グラフニューラルネットワーク(GNN)の表現能力を活用し、モデルレベルの裏口攻撃を効果的に検出する。
画像の注意ヒートマップを一貫して保つことが、アドバーサリー転送性を向上させる鍵である。
セマンティックセグメンテーションモデルへのインフルエンサーバックドア攻撃の脅威とその効果的な手法を提案する。
Transformerアーキテクチャにおける位置エンコーディングの進化と、地理的な位置情報を取り入れた新しいモデルの提案。
STGCN-Lモデルは、自転車需要予測において競争力のあるパフォーマンスを示し、既存のモデルと比較してその潜在能力を証明しています。
DLモデルからバイアス情報を取り除くためのFFW手法は、ターゲットタスクのパフォーマンスを維持しながら、バイアス情報を最小限に抑えることができる。