[ 논문 분석 ]

한줄 요약 : 단순히 비정상성을 감소시켜 과도한 정상화를 초래하는 이전 연구들과 달리, 시계열의 정상성을 높이고 내부 메커니즘을 개선하여 비정상 정보를 다시 통합함으로써 데이터 예측 가능성과 모델의 예측 능력을 동시에 향상시키는 효율적인 방법을 제안목적 : 비정상적인

한줄 요약 : SAN(Slicing Adaptive Normalization)은 시계열 데이터를 지역적 슬라이스 단위로 정규화해서 비정상성을 제거하고, 미래 분포를 예측하는 통계 예측 모듈로 보다 정확한 예측을 수행함 [ 요약 ] 기존 문제 : 실제 데이터에서 비정

한줄요약 : Tabular Deep Learning 에서 Deep Lasso( 입력 피쳐의 gradient sparsity를 활용 ) 라는 새로운 Feature Selection 방법 제안

[배경] TabR는 Tabular Data(표형 데이터)에 대한 Deep Learning 모델 중 하나로, 이를 기반으로 한 연구들이 주목받고 있음. 그러나 Gradient-Boosted Decision Trees(GBDT)가 여전히 탁월한 성능을 보여주고 있으며, 이

본 논문은 Tabular Data에서 Neural Networks(NNs)와 Gradient-Boosted Decision Trees(GBDTs)의 성능 차이를 비교하는 연구임. 기존 연구에서는 NNs가 더 우수하다는 주장과 GBDTs가 더 우수하다는 주장이 혼재되어

Normalizing Flow: 특징 맵을 정규 분포로 변환하는 기본 아이디어. 모델은 학습 과정에서 정상 데이터의 분포를 학습하고, 이를 표준 정규 분포로 변환하는 함수를 최적화 함

Normalizing flow란 생성모델에 있어 일종의 역함수를 거듭해서 학습하여 확률 분포를 직접 모델링하는 방법론(1)역계산과 (2)Jacobian(지역적인 함수의 변화를 선형 근사 시킴)의 Determinant(행렬을 선형변환 시 변화되는 크기) 계산을 수행하고

키워드 용어 : Self-supervised learning, autoregressive domain adaptation, ensemble teacher learning, time series data [Background] Unsupervised Domain Ad

제안하는 모델의 이름은 Instance-Induced Prompt Anomaly Detection (IIPAD) 이며,“one-for-all few-shot anomaly detection via instance-induced prompt learning” 방식을 채택

학습 과정 없이, 소수 정상 샘플만으로 구성 요소 분할→패치 매칭→그래프 모델링의 3단계로 이상을 다각도로 평가하여, 다양한 도메인에 적용 가능한 범용 Few-shot VAD 솔루션을 제공목표1) 훈련 불필요(Training‑free), 도메인 통합(Universal)

✅ 요약 : 저자들은 “Transformer가 LTSF(장기 시계열 예측)에 정말 효과적인가?”라는 질문을 제기합니다.

✅ 요약 : 기존 MLP 기반 예측은 point-wise mapping 한계(정보 병목)로 성능이 제한됨. 본 논문은 주파수 영역 MLP를 설계해 이를 극복하고, FreTS라는 간단한 아키텍처(채널/시간 두 학습자)로 구현. 13개 벤치마크(단·장기)에서 SOTA

💡 CAD는 치명적인 망각과 미세한 이상 영역 분할의 어려움을 겪는데, ReplayCAD는 diffusion 기반의 generative replay를 통해 고품질의 과거 데이터를 재생하여 픽셀 수준의 상세 특징을 효과적으로 보존한다.⚙️ 이 방법은 사전 훈련된 dif

🤔 본 논문은 기존 Unsupervised Continuous Anomaly Detection (UCAD)의 한계를 극복하기 위해 시각 및 텍스트 정보를 모두 활용하는 새로운 multimodal 프레임워크 제안.💡 제안된 프레임워크는 지속적인 지식 유지를 위한 Co

RDAM은 Small Sample Size 및 Class-Imbalanced 샘플 환경에서 Domain Adaptation 의 성능 저하 문제를 해결하기 위해 Feature Regeneration과 Manifold Maintenance Loss를 제안함.Feature

1) Time-series UDA는 시간 및 주파수 특징에 대한 domain shift의 다양한 영향으로 인해 어려움을 겪으며, 본 연구는 이를 해결하기 위해 Time-Frequency Consensus Domain Adaptation (TFCDA) 프레임워크를 제안함