이 연구에서는 노이즈가 있는 측정 데이터에서 비선형 동적 시스템을 나타내는 편미분 방정식(PDE)을 발견하기 위해 물리 정보 기반 딥러닝 프레임워크 내에서 희소 시스템 식별 알고리즘을 제안합니다.
본 연구는 기계 학습(ML) 모델을 사용하여 중간 및 고 엔트로피 합금의 조성 공간 전반에 걸쳐 전자 밀도를 예측하는 방법을 제시합니다. 이를 통해 기존 KS-DFT 계산의 한계를 극복하고 새로운 재료 탐색을 가속화할 수 있습니다.
직접 선호도 최적화(DPO) 기법 학습 과정에서 나타나는 우도 변위 현상은 모델의 안전성 정렬을 저해하고 의도치 않은 편향을 초래할 수 있다.
본 논문에서는 랜덤 포레스트 알고리즘을 사용하여 UNIONS 및 LSST와 같은 광대역 광시야 측광 탐사에서 고 적색편이 라이만-브레이크 은하(LBG)를 선별하는 방법의 효율성을 입증합니다.
기존의 지식 그래프 임베딩 모델은 학습 데이터에 없는 엔티티, 관계, 리터럴을 처리하지 못하는 한계를 지니고 있었으나, 본 연구에서는 바이트 페어 인코딩(BYTE) 기법을 활용하여 이러한 문제를 해결하고, 지식 그래프 임베딩 모델이 귀납적 추론을 수행할 수 있도록 하는 방법론을 제시합니다.
심층 학습 기법, 특히 CNN을 사용하여 우주 재이온화 시대의 21cm 신호 시뮬레이션에서 암흑 물질 소멸 모델과 암흑 물질 소멸이 없는 기존의 ΛCDM 모델을 구별할 수 있다.
본 논문에서는 기호적 피드백을 활용한 강화 학습(RLSF)이라는 새로운 LLM 미세 조정 패러다임을 제안하며, 이는 기존 방법보다 복잡한 추론 작업에서 LLM의 성능을 향상시키도록 설계되었습니다.
RainbowPO는 기존 DPO(Direct Preference Optimization) 알고리즘의 다양한 변형을 분석하고 그 효과적인 구성 요소들을 통합하여 성능을 향상시키는 프레임워크입니다.
대규모 언어 모델(LLM) 평가에서 기존의 스칼라 보상 모델의 한계를 극복하기 위해, 본 논문에서는 LLM이 생성한 이유를 바탕으로 선호 판단을 생성하는 새로운 접근 방식인 Con-J를 제안합니다. Con-J는 스칼라 모델보다 해석 가능성과 데이터 편향에 대한 강건성이 뛰어나며, 다양한 작업에서 우수한 성능을 보입니다.
이 논문에서는 가우시안이 아닌 다중 스케일 물리적 필드의 정확하고 압축적인 통계적 설명을 제공하는, 회전 및 스케일링 불변성을 활용한 웨이블릿 기반 산란 스펙트럼 모델을 소개합니다.