Euron 논문 리뷰
1.🔮 A Unified Approach to Iterpreting Model Predictions
모델이 왜 해당 prediction을 만드는지 이해하는 것은 매우 중요함. 그러나 Ensemble 또는 딥러닝처럼 복잡도가 높은 모델은 해석하기가 어려운 경우가 대다수임. 따라서 본 논문은 SHAP(SHapely Additive exPlanations) 분석을 제안함.
2.😐 ArcFace: Additive Angular Margin Loss for Deep Face Recognition
Face Recognition을 위해 Softmax loss function 대신, 깔끔한 기하학적 해석력과 모델의 분별력을 향상시키는 Additive Angular Margin Loss(ArcFace) 제안함. 또한, 각 클래스가 K 개의 ‘sub-center’와 학
3.🤡 BERT4Rec: Sequential Recommendation with Bidirectional Encoder Representations from Transformer
기존의 추천 모델들은 사용자의 과거 상호작용 기록에 대해 단방향 순차적(좌측 -> 우측)으로 인코딩함. 그러나, (a) 단방향 아키텍처는 사용자의 행동 시퀀스에 내재된 능력을 제한함.(b) 순서가 있는 시퀀스가 항상 실용적인 것은 아님.이러한 제한점을 해결하기 위해 d
4.🤣 DialogueRNN: An Attentive RNN for Emotion Detection in Conversations
대화에서의 감정 감지는 피드백을 이해함에 있어서 필수적인 단계임. 현재 시스템은 각 발화자에 맞춤형으로 다루어주지 않음. 본 논문에서는 RNN을 기반으로 대화 전체에서개별 발화자의 상태를 추적하고 해당 정보를 감정 분류에 활용함.1) 발화자2) 이전 발화들의 문맥3)
5.⚡ Post-training Quantization on Diffusion Models
최근 Denoising Diffusion Generative 모델이 중요한 성과를 이루었음. 그러나 현재의 방법은 반복적인 노이즈 추정으로 인하여 속도가 매우 느림. 이를 해결하기 위하여 노이즈를 추정하는 네트워크를 압축하여 생성 속도를 가속화하는 모델을 제안함. 이전
6.🐱 CatBoost: unbiased boosting with categorical features
본 논문은 CatBoost라는 새로운 그래디언트 부스팅의 주요 알고리즘 기법을 소개함. CatBoost는 다양한 데이터셋의 품질 측면에서 다른 공개적으로 가능한 부스팅을 능가함. CatBoost에서 소개된 두 가지 중요한 알고리즘: (1) Ordered Boosting
7.📚 Structural Vibration Signal Denoising Using Stacking Ensemble of Hybrid CNN-RNN
진동 신호들은 최근 건강 모니터링, 고장 진단, 손상 감지, 특히 바이오 공학 분야 등에서 활발하게 활용되고 있음. 발바닥에 의한 활동 유발 구조적 진동은 인체 및 동물과 같은 생물학적 시스템의 움직임을 분석하는 데 유용하며, 걸음걸이/체중/자세 등에 관한 소중한 정보
8.📢 Attention Is All You Need
본 논문에서는 새로운 Transformer 구조를 제안: 인코더와 디코더로 구성된 복잡한 합성곱 신경망을 대신할 수 있는 네트워크 구조임. 순환/합성곱을 배제하고 오직 📢 어텐션 메커니즘에만 의존함. Machine Translation 작업에서의 실험 결과는 해당 모
9.🐶 Playing Atari with Deep Reinforcement Learning
⏰ 19 Dec 2013본 연구는 딥러닝 모델을 통하여 고차원적인 감각 입력으로부터 제어 규칙을 학습하는데 성공하였음. 해당 모델은 Q-러닝을 변형 + CNN을 사용하여 입력으로는 raw pixel을, 출력으로는 미래 보상을 예측하는 value function을 사용함
10.💿 Continual Learning with Deep Generative Replay
⏰ 24 May 2017Comprehensive(포괄적인) 인공지능을 훈련하려는 시도는 'Catastrophic Forgetting(파국적 망각)'이라는 만성적인 문제를 보여왔음. 모든 데이터를 다시 돌리는 것은 해당 문제를 완화하나, 큰 메모리를 필요로하며, 데이터
11.🙃Few-Shot Adversarial Learning of Realistic Neural Talking Head Models
⏰ 2019.05최근의 연구들은 Convolution NN을 훈련하여 매우 현실적인 인간 머리 이미지를 생성하는 방법을 보이고 있음. 이러한 개인화된 talking head model을 만들기 위해서는 일반적으로 한 인물의 많은 이미지 데이터를 필요로 함. 그러나 실용
12.🖼️ SimMIM: a Simple Framework for Masked Image Modeling
5\. Conclusion
13.📅 TABULAR DATA: DEEP LEARNING IS NOT ALL YOU NEED
⏰ Nov, 2021 ABSTRACT XGBoost와 같은 트리 앙상블 모델은 표 형식 데이터에 대한 분류 및 회귀 문제를 다루는데 있어 추천되지만, 최근 몇몇 딥러닝 모델이 특정 상황에서는 능가한다고 주장/제안되어왔음. 본 논문에선느 이러한 새로운 딥러닝 모델과