베이지안 비모수적 혼합 사후 분포 요약 - 가우시안 혼합을 위한 슬라이스 최적 전송 메트릭
본 논문에서는 밀도 추정을 우선순위로 하여 비모수적 베이지안 혼합 모델의 사후 추론을 요약하는 새로운 접근 방식을 제안하며, 특히 가우시안 혼합 모델에 적용 가능한 두 가지 새로운 슬라이스 최적 전송 메트릭을 소개합니다.
폐쇄 루프 분포를 사용한 확률적 단조 포함 (Stochastic Monotone Inclusion with Closed Loop Distributions)
이 논문에서는 결정에 따라 달라지는 분포를 가진 확률적 최적화 문제와 관련된 1차 및 2차 단조 포함을 연구하고, 폐쇄 루프 분포를 사용하는 확률적 단조 포함에 대한 새로운 동적 시스템을 제안하여 수렴성을 분석합니다.
지구 시스템을 위한 기반 모델, Aurora: 다양한 예측 작업에서 기존 시스템을 능가하는 성능 입증
Aurora는 방대한 지구 시스템 데이터로 훈련된 대규모 기반 모델로, 대기 및 해양 흐름과 관련된 2차 프로세스를 governing하는 역학에 대한 범용 표현을 학습하여 대기 질, 해양 파도, 열대 저기압 이동 경로 및 고해상도 날씨 예보와 같은 다양한 예측 작업에서 기존의 운영 시스템보다 훨씬 적은 계산 비용으로 뛰어난 성능을 달성했습니다.
랜덤 푸리에 서명 특징: 시퀀스 데이터를 위한 확장 가능하고 효율적인 커널 방법
본 논문에서는 시퀀스 데이터의 유사성을 측정하는 데 사용되는 서명 커널의 계산 복잡성을 개선하기 위해 랜덤 푸리에 특징을 활용한 새로운 방법인 RFSF(Random Fourier Signature Features)를 제안합니다.
Huber-에너지 측도 양자화: 최적 근사를 찾는 새로운 접근 방식
본 논문에서는 확률 법칙과 같은 유한 변동 측도를 제한된 수의 Dirac 질량의 합으로 근사하는 Huber-에너지 측도 양자화 절차를 제시하고, 이를 통해 대규모 데이터셋을 효율적으로 처리하고 분석하는 새로운 방법을 제시합니다.
듀얼 트레이닝을 통한 제약된 확산 모델
본 논문에서는 원하는 데이터 분포를 기반으로 제약 조건을 추가하여 확산 모델의 편향을 효과적으로 제어하는 새로운 방법론을 제시합니다.
오픈 RAN을 위한 딥 강화 학습 에이전트의 자동 설계 및 포괄적 평가: PandORA
본 논문에서는 다양한 네트워크 조건과 트래픽 프로필에서 O-RAN 성능을 최적화하기 위해 다양한 DRL 에이전트 설계(예: 보상 설계, 동작 공간, 의사 결정 타임스케일)를 평가하고, DRL 에이전트의 세밀한 조정과 적절한 설계 선택이 네트워크 성능을 크게 향상시킬 수 있음을 보여줍니다.
더 크게, 규칙적으로, 낙관적으로: 계산 및 샘플 효율적인 연속 제어를 위한 스케일링
강화 학습에서 비평 모델의 크기와 규칙화를 조정하면 샘플 효율성을 크게 향상시킬 수 있으며, 이는 특히 복잡한 연속 제어 작업에서 두드러집니다.
스펙트럼 브리딩: 간섭으로부터 Over-the-Air 연합 학습 보호
본 논문에서는 제한된 대역폭 내에서 Over-the-Air 연합 학습(AirFL) 시스템의 간섭을 효과적으로 억제하기 위해 확률적 경사도 프루닝과 스펙트럼 확산을 결합한 스펙트럼 브리딩이라는 새로운 기법을 제안합니다.
산업용 기계 고장 예측을 위한 트랜스포머 기반 프레임워크 활용 (TQRNNs)
본 논문에서는 음료 제조 산업 환경에서 실시간 기계 고장 예측을 위한 새로운 데이터 기반 솔루션인 TQRNN(Transformer Quantile Regression Neural Networks)을 소개합니다. TQRNN은 센서 데이터, 분위수 회귀 신경망, 트랜스포머 네트워크를 활용하여 최대 1시간 전에 기계 고장을 예측하여 생산 중단을 최소화하고 결함 있는 제품 생산을 방지합니다.
© 2024 by Linnk AI