related iamge

침묵하는 다수: 허위 상관관계 속 기억 효과의 신비 풀기

본 논문은 AI 모델의 소수 그룹에 대한 성능 불균형 문제를 해결하기 위해, '암기 효과'라는 새로운 관점을 제시하고 소수 뉴런의 허위 정보 암기 패턴 제거를 통한 성능 개선 가능성을 실험적으로 입증했습니다. 이는 AI의 공정성과 신뢰성 향상에 기여할 중요한 연구입니다.

related iamge

붕소 기반 루이스 산 설계의 혁신: 설명 가능한 AI가 이끄는 화학의 미래

본 기사는 설명 가능한 AI(XAI)를 활용하여 붕소 기반 루이스 산의 설계에 성공한 연구를 소개합니다. 화학적으로 의미있는 설명 변수를 사용하여 높은 정확도와 해석성을 동시에 확보한 ML 모델을 개발, 기존 블랙박스 모델의 한계를 극복했습니다. 이 연구는 AI와 화학의 융합을 통해 새로운 분자 설계 및 화학 반응성 이해를 가능하게 합니다.

related iamge

딥러닝의 설명 가능성 혁신: 다중 헤드 설명기(MHEX) 등장!

Sun과 Liò 연구진이 개발한 다중 헤드 설명기(MHEX)는 CNN 및 Transformer 모델의 설명 가능성과 정확도를 향상시키는 혁신적인 프레임워크입니다. 주의 게이트, 심층 감독, 등가 행렬의 세 가지 구성 요소를 통해 뛰어난 성능과 호환성을 보이며, 의료 영상 및 텍스트 분류에서 효과를 입증했습니다.

related iamge

딥러닝의 취약점을 공략하는 적대적 공격으로부터 벗어나다: 앙상블 적대적 훈련(EAT)의 등장

Xiaopeng Ke의 연구는 심층 메트릭 학습(DML)의 적대적 공격 취약성을 해결하기 위해 앙상블 적대적 훈련(EAT)을 제안합니다. EAT은 앙상블 학습과 적대적 훈련, 자기 전이 메커니즘을 통해 기존 방어 기법보다 뛰어난 강건성을 달성하며, 안전하고 신뢰할 수 있는 AI 시스템 개발에 기여할 것으로 기대됩니다.

related iamge

엣지 인텔리전스 네트워크에서 컴퓨팅 오프로딩을 위한 멀티태스크 도메인 적응

본 기사는 엣지 인텔리전스 네트워크에서 컴퓨팅 오프로딩을 위한 새로운 접근법인 MTDA 모델에 대해 소개합니다. MTDA는 teacher-student 아키텍처와 멀티태스크 학습 프레임워크를 통해 도메인 이동 문제를 해결하고, 개인 정보 보호 및 자원 효율성을 향상시키는 뛰어난 성능을 보여줍니다.