3900 편의 논문
본 연구는 개별 알고리즘인 그래디언트 부스팅(Gradient Boosting) 대비 미미한 성능 향상보다는 방법론적 투명성과 운영적 확장성을 우선시하며, 잠비아의 강건하고 적응적인 가뭄 예측을 달성하기 위해 도메인 기반 피처 엔지니어링 및 위성 데이터와 고전적 머신러닝 및 딥러닝 모델을 통합한 재현 가능한 하이브리드 앙상블 학습 프레임워크를 제시한다.
본 연구는 아랍어 임상 질의응답에 있어 전체 미세 조정(full fine-tuning)이 초기에는 기본 저순위 적응(LoRA)보다 우수한 성능을 보이지만, 잘 구성된 LoRA 전략, 특히 4비트 QLoRA는 제한된 GPU 예산 하에서 전체 미세 조정 성능에 효과적으로 도달할 수 있어 적절하고 효율적인 적응 선택지가 될 수 있음을 입증한다.
이 논문은 학습된 경향성 경로를 통해 물리적 메커니즘을 명시적으로 통합하는 메커니즘 지향적 연산자 네트워크를 소개하며, 개입 및 등가성 테스트를 통해 이러한 구조가 다양한 물리 체계와 영역에 걸쳐 PDE 파운데이션 모델의 일반화, 정확성 및 해석 가능성을 향상시킨다는 것을 입증한다.
이 논문은 프로토타입 교정 활동 점수 산출, 적응형 모호성 마진, 그리고 대조적 인스턴스 정규화를 통해 어텐션-신뢰도 불일치 문제를 해결함으로써 외부 사전 학습 없이도 다양한 벤치마크에서 최첨단 성능을 달성하는 새로운 다중 인스턴스 학습 프레임워크인 AAMIL-Net을 소개한다.
본 연구는 K-최근접 이웃(K-Nearest Neighbors)과 베이지안 네트워크(Bayesian Network) 분류기를 통합하고 하이퍼파라미터 튜닝 및 SMOTE 기반 불균형 해소를 통해 강화된 최적화된 스태킹 앙상블 모델을 제시하며, 이는 85.9%의 정확도를 달상하여 기존 방법들을 능가함으로써 학생 중도 탈락 예측을 위한 효과적인 조기 경보 도구를 제공한다.
이 논문은 전이 인지 평가 프레임워크(TRSP)를 도입하고 효율적이며 해석 가능한 피처 엔지니어링 기반 그래디언트 부스팅 모델이 상태 전이를 탐지하는 데 있어 딥러닝 베이스라인과 대등하거나 이를 능가하면서도 계산 비용을 크게 줄일 수 있음을 입증함으로써, 단기 교통 정체 예측을 위한 표준 딥 시공간 그래프 신경망 및 총체적 정확도 지표에 대한 의존성에 이의를 제기한다.
본 논문은 엄격한 멀티 시드 제어 프로토콜을 통해 검증되고 제로샷 전이 비용을 완화하기 위해 테스트 단계 증강(test-time augmentation)으로 강화된, 최신 베이스라인 모델들과 비교하여 엣지 하드웨어에서 우수한 정확도와 에너지 효율성을 달성하는 경량 도로 파손 탐지기인 YOLO-RCD를 소개한다.
EdNet-KT4 데이터셋에 관한 이 사전 등록된 연구는 학생 모델에 선택지 제거 로그를 추가하는 것이 정답 여부 예측이나 강의 소비 순위 결정에 있어 통계적으로 유의미한 개선을 가져오지 않는다고 결론지었으며, 따라서 평가된 모델들에 해당 로그를 포함하는 것에 반대한다.
본 논문은 거래 변수들 사이의 동적인 의존성을 명시적으로 모델링하고, 다양한 글로벌 주식 시장에서 우수한 예측 정확도와 제로샷 일반화 성능을 달리는 것을 위해 종목별 셔플링 학습 전략을 적용한 희소 라우팅(sparse routing)을 채택한 변수 간 관계 인지 혼합 전문가 트랜스포머인 IR-MoE를 제안한다.
이 논문은 교차 게이트 잔차 융합(Cross-Gated Residual Fusion), 예측 유도 점진적 집합(Prediction-Guided Progressive Aggregation), 게이트 스킵 연결(Gated Skip Connections) 및 에지 정밀화 모듈을 포함한 협업 상호작용 메커니즘을 통해 모달리티별 특징을 보존함으로써 성능을 향상시키는 Swin Transformer 기반의 RGB-D 돌출 객체 탐지 프레임워크인 ECFNet을 제안하며, 8개의 벤치마크 데이터셋에서 최첨단 성능을 달성하였다.