3962 편의 논문
본 연구는 제약 검사 결과를 예측하는 머신러닝 모델들이 내재적인 제조 품질보다는 주로 FDA 자체의 규제 타겟팅 과정을 포착하며, 이로 인해 특성 설명이 불안정해지고 이러한 모델을 배포하는 것이 기존의 검사 편향을 증폭시킬 위험이 있음을 입증한다.
이 논문은 고정된 레이블 프리(label-free) 라이프사이클을 통해 스트리밍 오픈 보캐블러리 테스트 타임 적응 과정에서 지속적인 적응 상태를 관리하는 실용적인 프레임워크인 Profiled State Recovery를 소개하며, 다양한 모델과 데이터셋에 걸쳐 상당한 성능 향상을 입증하는 동시에 상태 관리를 스트리밍 TTA의 핵심적인 설계 축으로 확립한다.
본 논문은 데이터셋의 속성과 사용자의 전문성을 알고리즘의 역량과 매칭함으로써 중소기업의 현금 흐름 예측을 위한 최적의 머신러닝 모델을 선택하는 학습이 필요 없는 수학적 프레임워크를 제안하며, 이를 통해 철저한 모델 학습 실행의 필요성을 제거한다.
이 논문은 색상과 질감 정보를 계층적 어텐션 메커니즘을 통해 통합하는 투 스트림(two-stream) U-Net을 사용하여, 까다로운 조건과 다양한 데이터셋에 걸쳐 향상된 정확도와 효율성을 입증하는 강건한 피부 검출 방법을 제안한다.
본 연구는 Sea_Attention, Dysample, C2f_SCConv 및 DIoU 기반 매칭을 통합하여 산업용 선별을 위한 호두 탐지 및 추적의 효율성과 정확도를 향 향상시키기 위해 X-ray 시스템과 결합된 개선된 YOLOv8n-SDSC 및 DeepSORT 프레임워크를 제안한다.
이 논문은 희소 특징 인코딩(sparse feature encoding), Otsu 기반 어텐션 가이드, 그리고 적응형 경계 손실(Adaptive Boundary Loss)을 결합하여 MRI 영상으로부터 정확하고 빠르며 해석 가능한 뇌종양 분할을 달성하는 경량 딥러닝 프레임워크인 SOA-UNet을 소개한다.
이 논문은 텍스트(TF-IDF)와 오디오(MFCC) 특징을 통합하여 우울증을 감지하는 이중 모달 머신러닝 프레임워크를 제안하며, 높은 정확도(오디오 데이터에 대한 XGBoost 적용 시 최대 99.38%)를 달성하고 확장 가능하며 비침습적인 정신 건강 진단을 위한 멀티모달 학습의 잠재력을 입증한다.
본 논문은 다단계 하르 웨이브릿 변환(Haar wavelet transforms), 맘바(Mamba) 기반의 방향 인식 모듈, 그리고 교차 작업 어텐션 상호작용 메커니즘을 활용하여 노이즈와 특징 얽힘 문제를 효과적으로 해결함으로써, 단일 RGB 원격 탐사 이미지로부터 최첨단 수준의 결합된 의미론적 분할 및 높이 추정을 달성하는 웨이브릿-맘바 시너지 네트워크인 WMS-Net을 제안한다.
본 논문은 초해상도 기술과 채널 및 픽셀 어텐션 메커니즘을 특징으로 하는 인공 트랜스포머 아키텍처를 결합하여, 7,023장의 MRI 이미지 데이터셋에서 99.16%의 정확도를 달着하며 최신 딥러닝 모델들을 능가하는 경량화된 고정밀 뇌종양 탐지 모델을 제안한다.
이 논문은 q-미적분학 프레임워크 내의 해석 함수의 계수를 활용하여 8방향 컨볼루션 마스크를 생성함으로써, 표준 데이터셋에서 CSKP 및 미텔-레플러 기반 방식과 같은 기존 기술보다 우수한 구조적 충실도와 성능을 입증하는 새로운 에지 검출 향상 방법인 DEDA-AFCQ 알고리즘을 소개한다.