화학 결합 기반 기계 학습 모델을 사용하여 액체 프로필렌 글리콜(PG) 및 폴리프로필렌 글리콜(PPG)의 유전 특성을 정확하게 예측하고, 이 모델의 전이 가능성을 검증했습니다.
Het-node2vec은 node2vec 알고리즘을 확장하여 이종 그래프를 효과적으로 임베딩하고, 그래프의 구조적 및 의미적 특성을 모두 캡처하여 노드 레이블 및 에지 예측 작업에서 최첨단 성능을 달성합니다.
본 논문에서는 기계 학습을 사용하여 다양한 우주론적 모델에서 선형 이론으로 진화된 암흑 물질의 2점 상관 함수를 정확하게 나타낼 수 있는 간결한 기저 함수 세트를 찾아내고, 이를 통해 우주론적 매개변수에 대한 모델 의존성을 줄이는 방법을 제시합니다.
본 논문에서는 측광 광대역 이미지만을 사용하여 광학 은하 스펙트럼을 예측할 수 있는 생성적 AI 방법을 제시하며, 이를 통해 대규모 측광 조사에서 얻은 데이터 세트만으로 분광학적 입력이 필요한 중요한 은하 특성을 얻을 수 있음을 보여줍니다.
대규모 언어 모델을 인간의 선호도에 맞춰 미세 조정하기 위해 순위 기반 선호도 데이터에서 직접 학습하고 평가 지표를 직접 최적화하는 새로운 방법인 DRPO(Direct Ranking Preference Optimization)를 제안합니다.
딥 콘트라스티브 학습을 사용하여 Gaia RVS 및 XP 스펙트럼과 같은 다중 모달 데이터에서 별 스펙트럼의 정보가 풍부한 표현을 생성하고, 이를 통해 별 매개변수 회귀, 분류 및 교차 모달 변환과 같은 다운스트림 작업에서 뛰어난 성능을 달성할 수 있습니다.
이 연구는 대규모 구조 (LSS) 데이터에서 패리티 위반을 감지하기 위해 이미지 기반 및 기하학적 접근 방식을 포함한 다양한 기계 학습 방법을 사용했지만, 유의미한 수준의 패리티 위반을 발견하지 못했습니다.
본 논문에서는 고차원 데이터 시각화를 위해 널리 사용되는 t-SNE 기법의 한계점을 개선하고자, Gaussian 커널을 대체하는 새로운 접근 방식인 Modified Isolation Kernel (MIK)을 제안합니다.
대규모 언어 모델의 인스트럭션 미세 조정에 널리 사용되는 인스트럭션 선택 전략들이 다양한 데이터셋, 예산, 평가 지표에서 일관성 있게 랜덤 샘플링보다 우수한 성능을 보이지 못하며, 선택 비용 대비 효율성 또한 떨어진다.
본 논문에서는 기계 학습 기반 베이지안 심층 학습 모델을 사용하여 비정상 확산 궤적에서 변화점을 감지하는 방법을 제시합니다. 특히, 불확실성 추정값을 활용하여 기존 방법으로는 감지하기 어려운 미묘한 변화를 감지하는 데 효과적임을 보여줍니다.