본문 바로가기
반응형

전체 글292

[딥러닝 with Python] [GNN] GAT란? (Graph Attention Network) [해당 포스팅은 "CS224W: Machine Learning with Graphs" (https://web.stanford.edu/class/cs224w/index.html)를 참조했습니다] 이전 포스팅들에서 GNN의 기본 원리와 GCN 모델에 대해 알아보았습니다.[딥러닝 with Python] [GNN] GCN이란? (Graph Convolutional Network) [딥러닝 with Python] [GNN] GCN이란? (Graph Convolutional Network)[해당 포스팅은 "CS224W: Machine Learning with Graphs" (https://web.stanford.edu/class/cs224w/index.html) 를 참조했습니다] 지난 포스팅에서는 Random W.. 2025. 8. 19.
[딥러닝 with Python] [GNN] GCN이란? (Graph Convolutional Network) [해당 포스팅은 "CS224W: Machine Learning with Graphs" (https://web.stanford.edu/class/cs224w/index.html) 를 참조했습니다] 지난 포스팅에서는 Random Walk와 node2vec 같은 기법을 통해 그래프의 노드를 벡터 공간에 표현하는 '노드 임베딩'에 대해 알아보았습니다.[딥러닝 with Python] AI는 어떻게 그래프를 이해할까? 노드 임베딩 기초(Random Walk, node2vec) [딥러닝 with Python] AI는 어떻게 그래프를 이해할까? 노드 임베딩 기초(Random Walk, node2vec)[해당 포스팅은 "CS224W: Machine Learning with Graphs" (https://web.stan.. 2025. 8. 19.
[딥러닝 with Python] AI는 어떻게 그래프를 이해할까? 노드 임베딩 기초(Random Walk, node2vec) [해당 포스팅은 "CS224W: Machine Learning with Graphs" (https://web.stanford.edu/class/cs224w/index.html) 을 참조했습니다] 이번에는 지난번에 알아본 GNN 개념에 이어서, AI 모델이 그래프를 이해할 수 있는 숫자의 형태로 바꾸는 임베딩 작업에 대해서 알아보겠습니다.[딥러닝 with Python] GNN 완전 정복: 소셜 네트워크부터 신약 개발까지, GNN의 모든 것 [딥러닝 with Python] GNN 완전 정복: 소셜 네트워크부터 신약 개발까지, GNN의 모든 것[해당 포스팅은 "CS224W: Machine Learning with Graphs" (https://web.stanford.edu/class/cs224w/index... 2025. 8. 13.
[딥러닝 with Python] [그래프 신경망] 소셜 네트워크부터 신약 개발까지, GNN의 모든 것 [해당 포스팅은 "CS224W: Machine Learning with Graphs" (https://web.stanford.edu/class/cs224w/index.html) 을 참조했습니다] 1. GNN에 주목해야 하는 이유- 우리는 이미 이미지 속 고양이와 강아지를 기가 막히게 구분하고, 사람의 말을 자연스럽게 번역하는 AI에 익숙합니다. 이러한 AI 모델들은 대부분 정형화된 데이터(격자 구조의 이미지, 순서가 있는 텍스트)를 다루는 데 특화되어 있죠 - 하지만 세상의 많은 데이터는 '관계'로 이루어져 있습니다. 페이스북 친구 관계, 인터넷의 웹페이지 연결, 단백질을 구성하는 분자들의 결합처럼 말이죠. 이런 복잡한 '관계망' 데이터는 기존의 AI 모델로 분석하기 어렵습니다. - 바로 이 지점에서 그.. 2025. 8. 13.
[딥러닝 with Python] TTA의 벤치마크 프로토콜(Test Time Adaptation Benchmark Protocol) 안녕하세요. 지금까지 우리는 TTA(Test-Time Adaptation)가 AI 모델을 현실 세계에 적응시키는 강력한 기술임을 알아보았습니다. [딥러닝 with Python] TTA란? (Test-Time Adaptation) [딥러닝 with Python] TTA란? (Test-Time Adaptation)- 우리는 종종 잘 훈련된 AI 모델이 실제 환경에서는 예상보다 낮은 성능을 보이는 경우를 접하곤 합니다. - 예를 들어, "화창한 날에만 주행을 학습한 자율주행차가 갑자기 폭설을 만난다면? 혹jaylala.tistory.com[딥러닝 with Python] TTA의 원리 (심화) [딥러닝 with Python] TTA의 원리 (심화)안녕하세요. 지난 포스팅에서는 AI 모델이 변화무쌍한 현실 세계에.. 2025. 8. 12.
[딥러닝 with Python] TTA의 원리 (심화) 안녕하세요. 지난 포스팅에서는 AI 모델이 변화무쌍한 현실 세계에 적응하는 기술, TTA(Test-Time Adaptation)의 기본 개념을 소개해 드렸습니다. [딥러닝 with Python] TTA란? (Test-Time Adaptation) [딥러닝 with Python] TTA란? (Test-Time Adaptation)- 우리는 종종 잘 훈련된 AI 모델이 실제 환경에서는 예상보다 낮은 성능을 보이는 경우를 접하곤 합니다. - 예를 들어, "화창한 날에만 주행을 학습한 자율주행차가 갑자기 폭설을 만난다면? 혹jaylala.tistory.com 그런데, "그래서 TTA가 정확히 '어떻게' 실시간으로 적응한다는 거지?", "테스트하는데 정답(Label)도 없이 어떻게 학습이 가능한 거야?" 와 같.. 2025. 8. 12.
[딥러닝 with Python] TTA란? (Test-Time Adaptation) - 우리는 종종 잘 훈련된 AI 모델이 실제 환경에서는 예상보다 낮은 성능을 보이는 경우를 접하곤 합니다. - 예를 들어, "화창한 날에만 주행을 학습한 자율주행차가 갑자기 폭설을 만난다면? 혹은 잘 보정된 병원 카메라로 학습한 의료 AI가 구형 스마트폰으로 찍은 사진을 판독해야 한다면?" 이와 같은 상황들이 있을 수 있습니다. - 이처럼 학습 데이터와 실제 테스트 데이터의 환경 차이(분포 변화, Distribution Shift)는 AI 모델의 성능을 저하하는 주된 원인이 됩니다. - 오늘 소개해 드릴 TTA(Test-Time Adaptation, 테스트 시점 적응)는 바로 이 문제를 해결하기 위한 아주 흥미롭고 실용적인 기술입니다. AI 모델이 '온실 속 화초'처럼 학습 환경에만 머무는 것이 아니라.. 2025. 8. 12.
[논문 리뷰] Time-MQA: Time Series Multi-Task Question Answering with Context Enhancement 안녕하세요! 오늘은 금융, 헬스케어, 에너지 등 우리 삶 곳곳에서 활용되는 시계열 데이터 분석의 판도를 바꿀 흥미로운 논문, "Time-MQA: Time Series Multi-Task Question Answering with Context Enhancement" [ Kong, Y., Yang, Y., Hwang, Y., Du, W., Zohren, S., Wang, Z., ... & Wen, Q. (2025). Time-mqa: Time series multi-task question answering with context enhancement. arXiv preprint arXiv:2503.01875. ] 를 소개해 드리려고 합니다. 데이터 분석에 관심 있는 분들이라면 '시계열 데이터'라는 .. 2025. 8. 12.
반응형

티스토리툴바