AutoFLIPと呼ばれる新しいフェデレーテッドラーニング手法は、損失探索を通じてモデルプルーニングを自動化し、リソースの制約があるクライアントにおける深層学習モデルの効率性と精度を向上させます。
본 논문에서는 SO(3)-등변성을 유지하면서 비선형 표현 능력을 향상시킨 새로운 딥러닝 프레임워크를 제안하고, 이를 전자 구조 해밀토니안 예측에 적용하여 정확도를 크게 향상시켰습니다.
本稿では、SO(3) 等変性を満たしつつ高い表現力を持つ非線形表現学習の手法を提案し、物理系のモデリングにおける表現力と等変性の両立という課題に取り組んでいます。
대규모 언어 모델(LLM)의 아키텍처가 수렴되고 있으며, 특히 서버 및 엣지 환경에서 하이퍼파라미터 설정에 따라 성능이 달라지는 경향을 보인다.
本文提出了一種名為 AT-MoE 的新型混合專家模型架構,旨在解決傳統 MoE 模型在處理複雜任務時,特別是在需要專業知識和可解釋性的情況下所面臨的挑戰。
AT-MoE는 복잡한 작업을 효율적으로 처리하기 위해 작업별 전문가를 훈련하고, 작업 지침에 따라 전문가 가중치를 동적으로 할당하는 적응형 그룹 라우팅 모듈을 사용하는 새로운 신경망 아키텍처입니다.
本稿では、従来の混合専門家モデル(MoE)におけるタスク特化学習と解釈可能性の課題を、LoRAを用いた適応型タスクプランニングMoE(AT-MoE)アーキテクチャによって解決することを提案している。
本文提出了一種基於深度學習的新方法 LISAC,用於設計具備感測和通訊雙重功能的 OFDM 編碼波形,並透過模擬驗證其在感測效能和通訊品質之間取得了比現有方法更好的平衡。
본 논문에서는 심층 학습 기반의 새로운 코드화된 파형 설계 방법인 LISAC를 제안하며, 이는 OFDM 기반 ISAC 시스템에서 감지 및 통신 성능 간의 균형을 효과적으로 조정합니다.
本稿では、直交周波数分割多重化(OFDM)に基づく統合センシングと通信(ISAC)システムにおいて、優れたセンシング性能と高い通信品質(ビット誤り率:BER)を両立させる、深層学習を用いた新しい符号化波形設計手法であるLISACを提案する。