Task Aware Modulation Using Representation Learning for Upsaling of Terrestrial Carbon Fluxes
이 논문은 희소하고 편향된 지상 측정 데이터의 한계를 극복하기 위해 물리적 제약과 적응적 표현 학습을 결합한 '작업 인식 변조 (TAM-RL)' 프레임워크를 제안하여 전 지구 탄소 플럭스 업스케일링의 정확도와 일반화 성능을 크게 향상시켰음을 보여줍니다.
🤖 Category
cs.LG
6473 편의 논문
Online Neural Networks for Change-Point Detection
이 논문은 선형 계산 복잡도를 가지며 대규모 시계열 데이터의 변화점 탐지에 기존 방법보다 우수한 성능과 수렴성을 보이는 두 가지 온라인 신경망 기반 접근법을 제안하고 검증합니다.
Accounting for shared covariates in semi-parametric Bayesian additive regression trees
이 논문은 선형 예측자와 BART 모델 간의 공유 공변량으로 인한 편향과 비식별성 문제를 해결하기 위해 BART의 트리 생성 과정을 수정하여, 공변량이 중복되더라도 복잡한 상호작용을 모델링할 수 있는 새로운 준모수적 베이지안 가법 회귀 트리 (BART) 방법을 제안합니다.
A White-Box SVM Framework and its Swarm-Based Optimization for Supervision of Toothed Milling Cutter through Characterization of Spindle Vibrations
이 논문은 톱니형 밀링 커터의 실시간 스핀들 진동 특성을 분석하여 공구 상태를 감시하기 위해 의사결정나무 기반의 특성 선택과 5 가지 군집 최적화 알고리즘을 적용한 백-박스 서포트 벡터 머신 (SVM) 프레임워크를 제안합니다.
Automated Reinforcement Learning: An Overview
이 논문은 강화 학습의 모델링, 알고리즘 선택, 하이퍼파라미터 최적화 등 다양한 구성 요소를 자동화하는 '자동화 강화 학습 (AutoRL)'의 최신 연구 동향, 특히 대규모 언어 모델 (LLM) 기반 기법을 포함한 문헌을 종합하고 향후 연구 방향과 과제를 논의합니다.
Explainable classification of astronomical uncertain time series
이 논문은 불확실한 천문학적 시계열 데이터의 분류 성능을 유지하면서 예측의 설명 가능성을 제공하는, 불확실성을 고려한 서브시퀀스 기반의 새로운 모델을 제안합니다.
Empirical Asset Pricing via Ensemble Gaussian Process Regression
이 논문은 주식 및 거시경제 정보를 기반으로 조건부 기대 수익률을 예측하기 위해 가우시안 프로세스 회귀 (GPR) 기반 앙상블 학습 방법을 제안하며, 1962 년부터 2016 년까지의 미국 주식 데이터를 통해 기존 머신러닝 모델보다 통계적·경제적 성능이 우수하고 불확실성을 고려한 최적 포트폴리오 구성이 가능함을 입증했습니다.
Cost-Driven Representation Learning for Linear Quadratic Gaussian Control: Part I
이 논문은 관측치나 행동을 예측하지 않고 비용만 예측하는 비용 주도적 접근법을 통해 부분 관측 가능 선형 2 차 가우시안 (LQG) 제어 문제에서 최적의 잠재 상태 표현과 제어기를 학습할 수 있음을 증명하는 유한 표본 보장을 제시합니다.
On the Impact of Sampling on Deep Sequential State Estimation
이 논문은 심층 칼만 필터 프레임워크에 중요도 샘플링을 적용하여 IW-DKF 를 제안함으로써, 더 엄격한 몬테카를로 목적 함수가 비선형 물리 기반 모델의 상태 추정 및 파라미터 학습 성능을 향상시킨다는 것을 실험적으로 입증했습니다.
Remaining-data-free Machine Unlearning by Suppressing Sample Contribution
이 논문은 학습된 모델이 특정 데이터에 대해 가지는 민감도를 직접 억제하여, 추가 데이터 접근 없이도 기존 최상급 방법과 동등한 성능으로 머신 언러닝을 수행하는 'MU-Mis'라는 새로운 방법을 제안합니다.
Survey of Computerized Adaptive Testing: A Machine Learning Perspective
이 논문은 기존 심리측정학 기반의 컴퓨터 적응형 검사 (CAT) 를 머신러닝 관점에서 재조명하여 측정 모델, 문항 선정, 문항지 구성, 검사 통제 등 핵심 요소를 최적화하는 방안을 제시하고, 향후 보다 포괄적이고 학제적인 접근을 촉구하는 종합적 조사를 제공합니다.
Simulating Non-Markovian Open Quantum Dynamics with Neural Quantum States
이 논문은 환경의 기억 효과를 소산자 (dissipatons) 로 인코딩하여 신경 양자 상태 (NQS) 와 소산자 임베디드 양자 마스터 방정식 (DQME) 을 결합함으로써, 기존 수치적 방법과 유사한 정확도를 유지하면서도 비마코프 열린 양자 역학 시뮬레이션의 확장성을 획기적으로 개선한 새로운 프레임워크를 제시합니다.
LoRA-Ensemble: Efficient Uncertainty Modelling for Self-Attention Networks
이 논문은 사전 학습된 자기 주의 네트워크와 개별 저랭크 행렬을 공유하는 LoRA 기반의 효율적인 앙상블 방법인 'LoRA-Ensemble'을 제안하여, 명시적 앙상블 수준의 정확도와 우수한 보정 능력을 유지하면서 계산 비용과 메모리 오버헤드를 크게 줄인다고 요약할 수 있습니다.
Fast Explanations via Policy Gradient-Optimized Explainer
이 논문은 기존 방법의 비효율성과 특수성 문제를 해결하기 위해 정책 경사법을 활용해 확률 분포로 표현된 어트리뷰션 기반 설명을 최적화하는 'Fast Explanation (FEX)' 프레임워크를 제안하며, 이미지 및 텍스트 분류 작업에서 추론 시간을 97% 이상 단축하고 메모리 사용량을 70% 줄이면서도 높은 설명 품질과 일반성을 유지함을 입증했습니다.
Exploring Diffusion Models' Corruption Stage in Few-Shot Fine-tuning and Mitigating with Bayesian Neural Networks
이 논문은 소수 샷 미세 조정 중 확산 모델에서 발생하는 '부패 단계'를 이론적으로 분석하고, 베이지안 신경망을 적용하여 학습 분포를 확장함으로써 이미지 충실도와 다양성을 향상시키는 방법을 제안합니다.
DKDL-Net: A Lightweight Bearing Fault Detection Model via Decoupled Knowledge Distillation and Low-Rank Adaptation Fine-tuning
이 논문은 디커플링 지식 증류 (DKD) 와 저랭크 적응 (LoRA) 미세 조정 기법을 결합하여 파라미터 수를 획기적으로 줄이면서도 99.48% 의 높은 정확도를 달성한 경량 베어링 고장 진단 모델 DKDL-Net 을 제안합니다.
Estimating Treatment Effects under Algorithmic Interference: A Structured Neural Networks Approach
이 논문은 양측 시장 플랫폼의 알고리즘 간섭으로 인한 편향을 해결하기 위해 경쟁적 할당 메커니즘을 명시적으로 모델링하는 구조화된 반모수적 프레임워크와 이중 머신 러닝 기반의 편향 보정 추정량을 제안하여, 기존 추정법보다 정확한 전역 처리 효과를 추정할 수 있음을 입증합니다.
LAMBDA: A Large Model Based Data Agent
이 논문은 자연어 기반의 프로그래머와 검사자 에이전트, 그리고 사용자 개입 및 외부 지식 통합 메커니즘을 통해 코드 없이도 강력한 데이터 분석을 가능하게 하는 오픈소스 멀티에이전트 시스템 'LAMBDA'를 제안합니다.
OTAD: An Optimal Transport-Induced Robust Model for Agnostic Adversarial Attack
이 논문은 최적 수송 이론에서 유도된 정규화와 볼록 통합 문제를 통해 국소 리프시츠 연속성을 보장하면서도 훈련 데이터를 정확하게 적합할 수 있는 새로운 2 단계 적대적 방어 모델 OTAD 를 제안하여 기존 방법들의 한계를 극복하고 다양한 데이터셋에서 우수한 성능을 입증했습니다.
Mini-batch Estimation for Deep Cox Models: Statistical Foundations and Practical Guidance
이 논문은 미니배치 확률적 경사 하강법 (SGD) 을 사용하는 딥 콕스 모델의 통계적 기반을 규명하여 미니배치 최대 부분우도 추정량 (mb-MPLE) 의 일관성과 최적 수렴 속도를 증명하고, 학습률과 배치 크기의 비율 등 실용적 가이드라인을 제시하며 대규모 실제 데이터 적용 가능성을 입증합니다.