본 논문에서는 청각, 시각, 시청각 음성 인식 작업을 단일 모델로 통합하여 학습하는 방법을 제안하며, 이를 통해 개별 모델을 사용하는 것보다 성능이 향상되고, 자기 지도 학습 및 준지도 학습 기법을 통해 레이블이 지정되지 않은 데이터를 효과적으로 활용하는 방법을 제시합니다.
사전 훈련된 모델을 활용한 지속 학습에서 기존 지식을 유지하면서 새로운 개념을 효과적으로 학습하기 위해 느리고 빠른 매개변수 효율적인 조정(SAFE) 프레임워크를 제안합니다.
머신러닝 모델의 설명에서 발생하는 불일치 문제를 해결하기 위해 다양한 이해관계자의 요구사항을 충족하는 EXAGREE 프레임워크를 소개하고, 이를 통해 설명의 일관성과 신뢰성을 향상시키는 방법을 제시합니다.
본 논문에서는 대규모 데이터셋에서 개인정보를 보호하면서 주성분 벡터를 효율적으로 계산하는, 차분 프라이버시를 갖춘 분산 랜덤 파워 메서드를 제안합니다.
FPPL은 프로토타입을 활용한 프롬프트 튜닝을 통해 연합 Continual Learning 환경에서 발생하는 catastrophic forgetting과 non-IID 문제를 효과적으로 해결하는 프레임워크이다.
클래스 불균형 문제를 해결하기 위해 학습 과정 전반에 걸쳐 서로 다른 클래스에 대한 다양한 클라이언트의 전문 지식을 활용하는 새로운 개인 맞춤형 연합 학습 알고리즘인 FedReMa를 제안한다.
이 논문에서는 대규모 그래프에서 그린 함수 방법의 불안정성을 분석하고 최적화 관점에서 개선된 방법을 제안하여 그린 함수 방법의 효율성과 정확성을 향상시켰습니다.
DPSM이라는 새로운 밀도 기반 클러스터링 방법을 제안하며, 이는 전파 프로세스를 통해 밀도를 계산하여 데이터 공간 및 그래프 공간 모두에서 클러스터 수를 자동으로 결정하고 효과적으로 클러스터링을 수행합니다.
본 논문은 대규모 언어 모델(LLM)을 컴퓨팅 교육에 효과적으로 활용하기 위해 감독된 미세 조정을 통해 교육적 원칙에 맞춰 정렬하는 방법을 연구하고, 그 가능성을 제시합니다.
본 논문에서는 연합 학습 (FL) 시스템을 위해 설계된 자동 구조 가지치기 기법을 제안하며, 이를 통해 모델 크기와 계산 비용, 통신 오버헤드를 크게 줄이면서도 정확도는 유지합니다.