티스토리

dew's CSE Studying

검색하기

블로그 홈

dew's CSE Studying

1107dew.tistory.com/m

컴공 공댕이의 공부기록

구독자: 2

방명록 방문하기

주요 글 목록

[CS231n] Lecture 1 | Introduction to Convolutional Neural Networks for Visual Recognition [강의영상]https://www.youtube.com/watch?v=vT1JzLTH4G4 [강의자료]https://cs231n.stanford.edu/slides/ Index of /slides cs231n.stanford.edu 공부 완료! CV의 역사에 대해 배웠어요~ 공감수 0 댓글수 0 2025. 2. 23.
Multimodal Federated Learning via Contrastive Representation Ensemble(ICLR 2023, Qiying Yu, Yang Liu, Yimu Wang, ...) 이 논문은 CreamFL에 관한 논문이다! 진행중인 연구에 관해 진행한 topic관련 세미나에서 질문으로 들어왔던 부분이라 읽어본다 :)Abstract기존 multimodal FL의 문제점single modality 수준에서 모델을 합치는 방법에 의존한다서버와 클라이언트가 각 모달리티에서 동일한 모델 아키텍처를 갖는 것 제한model complexity, data capacity 측면에서 글로벌 모델을 제한다양한 task를 처리하는 것 어려움this paper"Cream FL" : Contrastive Representation Ensemble and Aggregation for Multimodal FL이질적인 모델 아키텍처&데이터 모달리티를 가진 클라이언트들이 public dataset에서만 지식을 공.. 공감수 0 댓글수 0 2025. 2. 11.
Federated Learning for Internet of Things: A Comprehensive Survey AbstractThe Internet of Things(IoT)정보통신기술 기반으로 모든 사물을 연결해 사람과 사물, 사물과 사물간에 정보를 교류하고 상호 소통하는 지능형 인프라 및 서비스 기술 FL로 기존 한계 극복Traditioinally - centralized data collection/processiong → IoT의 규모가 커지고, data privacy 문제가 중요해지면서 어렵Federated Learning(FL) - 데이터를 공유하지 않고도 IoT 디바이스에서 AI 모델을 학습할 수 있도록 지원하는 분산형 협력 AI 접근 방식 Introduction기존 AI 방식의 한계데이터 학습/모델링을 위해 기존 AI에서는 AI functions는 클라우드 서버/데이터 센터에 위치하였다 => IoT.. 공감수 2 댓글수 1 2025. 2. 4.
Personalized Federation Learning with Model-Contrastive Learning for Multi-Modal User Modeling in Human-Centric Metaverse publication in IEEE Journal on Selected Areas in CommunicationsAbstractbackgroundmetaverse: 역할을 여러 개 가진 유저들이 가상의 서비스들과 상호작용하는 다양한 경험을 제공하는 것메타버스에서 사용자의 다중 플랫폼 및 교차 공간 데이터/행동을 효과적으로 수집하고 모델링하는 것이 중요해졌다suggestionPersonalized Federated Learning with Model-Contrastive Learning(PFL-MCL) framework-human-centric 메타버스 환경에서 커뮤니케이션/상호작용을 증가시킨다-by 큰 스케일+이질적+멀티모달의 메타버스 데이터를 사용함으로써전통적인 FL과의 차이-기존: multi-cent.. 공감수 0 댓글수 2 2025. 1. 22.
A Survey on Federated Learning(Chen Zhang, Yu Xie,..., 2021) AbstractFederated learning is a set-up in which multiple clients collaborate to solve machine learning problems, which is under the coordination of a central aggregator연합학습이란 이렇게 client 여러명이 중앙서버를 가지고 함께 ML problem을 해결하기 위해 협력하는 것이다.이렇게 하면 data privacy 보장할 수 있다. data가 training data가 decentralized되기 때문에! 2가지 main idealocal computingmodel transmission=>traditional centralized ml methods에서 발생했던 pri.. 공감수 1 댓글수 1 2025. 1. 13.
Ch03 평가 회귀의 평가는 대부분 실제값과 예측값의 오차평균값에 기반한다. 분류의 평가는 정확도만으로는 판단할 수 없다.분류의 성능 평가 지표(이진/다중 모두 가능)정확도(Accuracy)오차 행렬(Confusion Matrix)정밀도(Precision)재현율(Recall)F1 scoreROC AUC 01 정확도(Accuracy)정확도: 실제 데이터에서 예측 데이터가 얼마나 같은지를 판단하는 지표정확도(Accuracy)=예측 결과가 동일한 데이터 건수 / 전체 예측 데이터 건수 binary classification에서는 정확도 지표가 어떻게 ML 모델의 성능을 왜곡할까?이렇게 단순한 코드로도 수치가 나올 수 있기 때문에 적합한 평가지표가 필요하다. 정확도 평가 지표의 맹점: 무조건 특정한 결과로 찍어도 데이터 분.. 공감수 0 댓글수 1 2025. 1. 9.
The Power of Scale for Parameter-Efficient Prompt Tuning Abstractexplore "prompt tuning," a simple yet effective mechanism for learning "soft prompts" to condition frozen language models to perform speific downstream tasks prompt tuning:모델에 입력되는 프롬프트(명령이나 요청등의 text)를 조정하여 모델이 원하는 방식으로 응답하도록 하는 것chat gpt에 내가 입력하는 명령을 조정하여 모델의 성능을 높이는 것이다.model parameter의 수정 필요X soft prompts:자연어가 아닌 학습가능한 연속적인 벡터(continuous한 입력값을 말하는 것 같은데 이정도 개념으로 알아두자!)continuous&tun.. 공감수 3 댓글수 1 2025. 1. 7.
Ch02 사이킷런으로 시작하는 머신러닝 01 사이킷런 소개와 특징사이킷런(scikit-learn)은 파이썬 머신러닝 라이브러리 중 가장 많이 사용되는 라이브러리!설치 후 버젼 확인을 해줬다 02 첫 번째 머신러닝 만들어 보기 - 붓꽃 품종 예측하기sklearn.datasets: 사이킷런에서 자체적으로 제공하는 데이터 세트를 생성하는 모듈의 모임sklearn.tree: 트리 기반 ML 알고리즘을 구현한 클래스의 모임sklearn.model_selection: 학습 데이터와 검증 데이터, 예측 데이터로 데이터를 분리하거나 최적의 hyper parameter으로 평가하기 위한 다양한 모듈의 모임사이킷런에서 사용할 모듈을 importload_iris()함수를 이용하여 붓꽃 데이터 세트를 로딩붓꽃 데이터를 dataframe으로 변환했다 학습용데이터와 .. 공감수 4 댓글수 6 2025. 1. 3.

문의안내

티스토리
로그인
고객센터

티스토리는 카카오에서 사랑을 담아 만듭니다.