데이터웨어하우스나 사일로와 달리 데이터 레이크는 객체 스토리지를 갖춘 플랫 아키텍처를 사용하여 파일의 메타데이터를 유지합니다.

일반 데이터 보호 규정(GDPR)은 세계에서 가장 엄격한 개인정보 보호 및 보안 법률입니다.

하이퍼 컨버지드 인프라(HCI)는 서버와 스토리지를 분산 인프라 플랫폼으로 결합하고, 지능형 소프트웨어를 통해 유연한 구성 요소를 생성하며, 별도의 서버, 스토리지 네트워크, 스토리지 어레이로 구성된 기존 인프라를 대체합니다.

엑사스케일 컴퓨팅은 초당 최소 "10의 18개 IEEE 754 배정밀도(64비트) 연산(곱셈 및/또는 덧셈)"(exa FLOPS)을 계산할 수 있는 컴퓨팅 시스템을 말하며, 이는 슈퍼컴퓨터 성능의 척도입니다. 엑사스케일 컴퓨팅은 […]

하이퍼네트워크는 기존 신경망과 비교했을 때 모델 매개변수화에 몇 가지 차이점이 있는 신경망 구조입니다. 구글 브레인이 2016년에 발표한 논문 "HyperNetworks"에서는 Hyper […]

예측 코딩(PC)은 인간의 뇌가 시각 세계에 대한 시공간적 예측을 통해 인지를 처리한다는 인지 과학의 이론적 틀입니다.

확산 확률 모델은 확산 확률 모델과 PC 이론 사이의 연관성을 보여줍니다.

DQ-LoRe 프레임워크는 이중 쿼리(DQ)와 저순위 근사 재순위(LoRe)를 활용하여 상황에 맞는 학습 사례를 자동으로 선택합니다.

대조 학습은 데이터 클래스 간에 공통적인 속성과 한 데이터 클래스를 다른 데이터 클래스와 구별하는 속성을 학습하기 위해 샘플을 서로 대조하는 원리를 사용하여 시각 작업의 성능을 향상시키는 기술입니다.

xLSTM은 기존 LSTM의 한계를 해결하고 지수 게이팅, 행렬 메모리, 병렬화 가능한 아키텍처와 같은 새로운 구성 요소를 통합함으로써 LLM에 새로운 가능성을 열어줍니다.

포인트 클라우드는 일반적으로 3D 스캐너를 통해 수집된, 3D 모양이나 객체를 나타낼 수 있는 공간상의 포인트 데이터 세트입니다.

참조 이미지 분할(RIS)은 자연어 표현을 통해 참조되는 대상 객체를 분할하는 것을 목표로 합니다. 그러나 이전 방법에서는 문장이 이미지 속의 객체를 설명해야 한다는 강력한 가정에 의존합니다.

다중 초안 모델은 다니엘 데닛이 제안한 인지주의에 기초한 의식에 대한 물리주의적 이론입니다. 이 이론은 정보 처리 관점에서 정신을 바라본다. 데닛은 1991년에 《의식에 대한 설명》을 출판했습니다.

KAN: 콜모고로프-아놀드 네트워크 이 논문에서는 다층 퍼셉트론(MLP)에 대한 유망한 대안인 콜모고로프-아놀드 네트워크(KAN)를 제안합니다. KAN이라는 이름의 유래는 […]

콜모고로프-아놀드 표현 정리는 복잡한 동적 시스템을 더 쉽게 분석할 수 있게 해줍니다.

행동 모델 학습은 인공지능 분야에서 복잡한 과정을 포괄하는 것으로, 본질적으로 환경에서 에이전트의 행동이 미치는 영향을 예측하기 위해 모델을 개발하는 것입니다.

진양성률(TPR)은 이진 분류 모델의 성능을 평가하기 위해 통계, 머신러닝, 의료 진단에 사용되는 지표입니다. 이는 모델에 의해 양성으로 올바르게 식별되거나 분류된 실제 양성 사례의 비율을 나타냅니다. TPR은 민감도, 재현율 또는 […]이라고도 합니다.

글리치 토큰은 대규모 언어 모델에서 모델이 원활하게 작동하는 데 도움이 되어야 하지만, 비정상적인 출력을 초래하는 단어입니다. 화중과학기술대학교, 난양이공대학교 및 기타 대학의 연구팀은 2024년에 "글리치 토큰 […]"이라는 제목의 연구를 발표했습니다.

다중 모드 대규모 언어 모델은 자연어 처리(NLP)의 힘과 이미지, 오디오, 비디오와 같은 다른 모달리티를 결합합니다.

전문가를 혼합하여 사용하는 다른 LLM 업그레이드 방법과 비교했을 때, DUS는 효율적인 학습과 추론을 위해 복잡한 변경을 요구하지 않습니다.

딥러닝 분야에서 그로킹(Grokking)은 신경망의 학습 과정에서 나타나는 현상을 말하는데, 학습 오차가 오랜 시간 동안 감소한 후에도 좋은 일반화가 달성될 수 있다는 의미입니다.

딥 러닝에서 스케일링 법칙은 관심 있는 기능적 속성(일반적으로 테스트 손실이나 미세 조정 작업의 성능 지표)과 아키텍처 또는 최적화 절차의 속성(모델 크기, 너비 또는 교육 컴퓨팅 등) 간의 관계를 나타냅니다.

인공지능 분야의 등장은 단순한 개인이나 규칙의 상호작용을 통해 복잡한 집단적 행동이나 구조가 생겨나는 현상을 말합니다. 인공 지능에서 이러한 종류의 출현은 모델이 직접 설계하지 않은 상위 수준의 기능이나 동작을 의미할 수 있습니다.

설명 가능한 AI(XAI)는 인간 사용자가 머신 러닝 알고리즘이 생성한 결과와 산출물을 이해하고 신뢰할 수 있도록 하는 프로세스와 방법의 집합입니다.

데이터웨어하우스나 사일로와 달리 데이터 레이크는 객체 스토리지를 갖춘 플랫 아키텍처를 사용하여 파일의 메타데이터를 유지합니다.

일반 데이터 보호 규정(GDPR)은 세계에서 가장 엄격한 개인정보 보호 및 보안 법률입니다.

하이퍼 컨버지드 인프라(HCI)는 서버와 스토리지를 분산 인프라 플랫폼으로 결합하고, 지능형 소프트웨어를 통해 유연한 구성 요소를 생성하며, 별도의 서버, 스토리지 네트워크, 스토리지 어레이로 구성된 기존 인프라를 대체합니다.

엑사스케일 컴퓨팅은 초당 최소 "10의 18개 IEEE 754 배정밀도(64비트) 연산(곱셈 및/또는 덧셈)"(exa FLOPS)을 계산할 수 있는 컴퓨팅 시스템을 말하며, 이는 슈퍼컴퓨터 성능의 척도입니다. 엑사스케일 컴퓨팅은 […]

하이퍼네트워크는 기존 신경망과 비교했을 때 모델 매개변수화에 몇 가지 차이점이 있는 신경망 구조입니다. 구글 브레인이 2016년에 발표한 논문 "HyperNetworks"에서는 Hyper […]

예측 코딩(PC)은 인간의 뇌가 시각 세계에 대한 시공간적 예측을 통해 인지를 처리한다는 인지 과학의 이론적 틀입니다.

확산 확률 모델은 확산 확률 모델과 PC 이론 사이의 연관성을 보여줍니다.

DQ-LoRe 프레임워크는 이중 쿼리(DQ)와 저순위 근사 재순위(LoRe)를 활용하여 상황에 맞는 학습 사례를 자동으로 선택합니다.

대조 학습은 데이터 클래스 간에 공통적인 속성과 한 데이터 클래스를 다른 데이터 클래스와 구별하는 속성을 학습하기 위해 샘플을 서로 대조하는 원리를 사용하여 시각 작업의 성능을 향상시키는 기술입니다.

xLSTM은 기존 LSTM의 한계를 해결하고 지수 게이팅, 행렬 메모리, 병렬화 가능한 아키텍처와 같은 새로운 구성 요소를 통합함으로써 LLM에 새로운 가능성을 열어줍니다.

포인트 클라우드는 일반적으로 3D 스캐너를 통해 수집된, 3D 모양이나 객체를 나타낼 수 있는 공간상의 포인트 데이터 세트입니다.

참조 이미지 분할(RIS)은 자연어 표현을 통해 참조되는 대상 객체를 분할하는 것을 목표로 합니다. 그러나 이전 방법에서는 문장이 이미지 속의 객체를 설명해야 한다는 강력한 가정에 의존합니다.

다중 초안 모델은 다니엘 데닛이 제안한 인지주의에 기초한 의식에 대한 물리주의적 이론입니다. 이 이론은 정보 처리 관점에서 정신을 바라본다. 데닛은 1991년에 《의식에 대한 설명》을 출판했습니다.

KAN: 콜모고로프-아놀드 네트워크 이 논문에서는 다층 퍼셉트론(MLP)에 대한 유망한 대안인 콜모고로프-아놀드 네트워크(KAN)를 제안합니다. KAN이라는 이름의 유래는 […]

콜모고로프-아놀드 표현 정리는 복잡한 동적 시스템을 더 쉽게 분석할 수 있게 해줍니다.

행동 모델 학습은 인공지능 분야에서 복잡한 과정을 포괄하는 것으로, 본질적으로 환경에서 에이전트의 행동이 미치는 영향을 예측하기 위해 모델을 개발하는 것입니다.

진양성률(TPR)은 이진 분류 모델의 성능을 평가하기 위해 통계, 머신러닝, 의료 진단에 사용되는 지표입니다. 이는 모델에 의해 양성으로 올바르게 식별되거나 분류된 실제 양성 사례의 비율을 나타냅니다. TPR은 민감도, 재현율 또는 […]이라고도 합니다.

글리치 토큰은 대규모 언어 모델에서 모델이 원활하게 작동하는 데 도움이 되어야 하지만, 비정상적인 출력을 초래하는 단어입니다. 화중과학기술대학교, 난양이공대학교 및 기타 대학의 연구팀은 2024년에 "글리치 토큰 […]"이라는 제목의 연구를 발표했습니다.

다중 모드 대규모 언어 모델은 자연어 처리(NLP)의 힘과 이미지, 오디오, 비디오와 같은 다른 모달리티를 결합합니다.

전문가를 혼합하여 사용하는 다른 LLM 업그레이드 방법과 비교했을 때, DUS는 효율적인 학습과 추론을 위해 복잡한 변경을 요구하지 않습니다.

딥러닝 분야에서 그로킹(Grokking)은 신경망의 학습 과정에서 나타나는 현상을 말하는데, 학습 오차가 오랜 시간 동안 감소한 후에도 좋은 일반화가 달성될 수 있다는 의미입니다.

딥 러닝에서 스케일링 법칙은 관심 있는 기능적 속성(일반적으로 테스트 손실이나 미세 조정 작업의 성능 지표)과 아키텍처 또는 최적화 절차의 속성(모델 크기, 너비 또는 교육 컴퓨팅 등) 간의 관계를 나타냅니다.

인공지능 분야의 등장은 단순한 개인이나 규칙의 상호작용을 통해 복잡한 집단적 행동이나 구조가 생겨나는 현상을 말합니다. 인공 지능에서 이러한 종류의 출현은 모델이 직접 설계하지 않은 상위 수준의 기능이나 동작을 의미할 수 있습니다.

설명 가능한 AI(XAI)는 인간 사용자가 머신 러닝 알고리즘이 생성한 결과와 산출물을 이해하고 신뢰할 수 있도록 하는 프로세스와 방법의 집합입니다.