전체 글75 [2024-1] 박지연 - Generative Adversarial Nets https://arxiv.org/pdf/1406.2661* "$ $" 표시는 수식 표시Abstract생성 모델을 adversarial process를 통해 추정하는 framework2개의 모델을 동시에 훈련$G$ (generative model): 데이터 분포를 포착하는 생성 모델이다. 이 모델의 훈련 절차는 모델 D가 실수할 확률을 최대화하는 것$D$ (discriminative model): 샘플이 모델 G보다는 training data에서 나왔을 확률을 추정하는 판별 모델IntroductionGenerative modelmaximum likelihood estimation과 관련된 많은 부정확한 확률 계산을 근사하는 것에 대한 어려움과 linear units의 장점 활용에 어려움이 있었음 ⇒ 본 논.. 2024. 6. 29. [2024-1] 한영웅 - DreamBooth: Fine Tuning Text-to-Image Diffusion Models for Subject-Driven Generation, CVPR 2023, Google Research, Boston University Abstract대규모 텍스트-이미지 모델은 주어진 참조 세트(reference set)에서 객체의 모양을 모방하고 다양한 맥락에서 새로운 표현을 합성하는 능력이 부족. 이에 저자들은 텍스트-이미지의 "개인화"(“personalization”)를 위한 새로운 접근 방식을 제시. 객체에 대한 몇 개의 이미지만 입력으로 주어지면 사전 훈련된 텍스트-이미지 디퓨젼 모델(DM)을 파인튜닝하여 해당 특정 객체와 고유 식별자를 바인딩하는 방법을 학습. 고유 식별자를 사용하여 다양한 장면에서 그 객체의 새로운 실제 같은 이미지를 합성할 수 있음. 새로운 자동 클래스별 사전 보존 손실 (autogenous class-specific prior preservation loss)과 새로운 데이터 세트 및 평가 프로토콜 (e.. 2024. 5. 29. [2024-1] 현시은 - CodeS: Towards Building Open-source Language Models for Text-to-SQL 원본 논문 링크 : https://arxiv.org/abs/2402.16347 CodeS: Towards Building Open-source Language Models for Text-to-SQLLanguage models have shown promising performance on the task of translating natural language questions into SQL queries (Text-to-SQL). However, most of the state-of-the-art (SOTA) approaches rely on powerful yet closed-source large language models (LLMs),arxiv.org Abstract언어 모델은 자연어 질문을.. 2024. 5. 28. [24-1] 김동한 - A Short Introduction to Boosting https://cseweb.ucsd.edu/~yfreund/papers/IntroToBoosting.pdf0. Abstractboosting은 당시 주어진 learning 알고리즘보다 정확도를 향상시킴. AdaBoost에 대해 설명하는데, boosting의 기본 정리들, 왜 overfitting문제가 왜 없는지 설명하고, svm과의 관계에 대해 설명하는 논문임.1. Introduction경마 순위 예측에 대해 경마전문가들이 말을 선택하는 기준을 설명해달라하면 그 이유를 잘 설명하지 못함. 그러나, data가 주어졌을 때 말을 선택할 수 있음. >> (최근에 가장 많이 우승한 말에 베팅하거나 그 확률이 가장 높은 말에 베팅을 진행) 일명 rule of thumbrule of thumb의 이득을 최대화 하기.. 2024. 5. 21. 이전 1 2 3 4 5 ··· 19 다음
