주뇽's 저장소

목차 1. 손실함수 2. Cross-Entropy - 정보 - 기댓값 - 엔트로피(Entropy) - Cross-Entropy 👉 1. 손실함수 인공지능 모델을 학습시킬 때 중요한 개념 중 하나가 손실함수(loss function)이다. 손실함수는 모델의 예측과 실제 데이터 간의 차이를 수치화하여 나타낸다. 이 손실함수의 값을 최소화하는 것이 모델 학습의 목표이다 간단한 예로. 선형회귀 모델을 생각해 보자 이 모델은 입력 데이터 x와 출력 y 사이의 관계를 선형 방정식 y = wx + b로 모델링한다. 여기서 w와 b는 모델이 학습해야 할 파라미터이다. 이때 손실함수로 자주 사용되는 것이 평균제곱오차(Mean Squared Error, MSE)이다. 평균제곱오차는 모델의 예측값과 실제값 간의 차이를 제곱..

분류 분류 문제란 주어진 입력 데이터를 미리 정의된 몇 개의 클래스 또는 범주 중 하나로 할당하는 문제를 말한다. 이는 기계 학습, 특히 지도 학습(Supervised Learning)의 대표적인 문제 중 하나이다. 분류 문제의 다른 예시로는 다음과 같은 것들이 있다: 의료 진단: 환자의 증상, 검사 결과 등을 바탕으로 질병의 유무 또는 질병의 종류를 판단 손글씨 인식: 이미지로 주어진 손글씨를 0부터 9까지의 숫자 중 하나로 분류 감성 분석: 영화 리뷰, 상품 평가 등의 텍스트 데이터를 '긍정', '부정', '중립' 등의 감성 클래스로 분류 분류 문제는 클래스의 개수에 따라 이진 분류(Binary Classification)와 다중 클래스 분류(Multi-class Classification)로 나눌 ..

Step 1. 공유하고자 하는 파일을 공유 -> 링크가 있는 모든 사용자 -> 링크 복사를 해준다. 구글 드라이브 링크 : https://drive.google.com/file/d/1hiqm9D5t5z0WA2-W1aHUaTrq7HCylFiM/view?usp=sharing 여기서 위와 같은 링크가 있다면 d/ 와 /view에 있는 값이 해당 구글 드라이브 링크의 id가 된다. id : 1hiqm9D5t5z0WA2-W1aHUaTrq7HCylFiM Step 2. gdown 라이브러리를 이용하여 해당 파일 다운로드 1. 만약 gdown이 없다면(구글 코랩은 기본적으로 있음) 다음 명령어로 pip install pip install gdow 2. !gdown https://drive.google.com/uc?id..

• Bhavanasi S S, Pappone L, Esposito F. Dealing with Changes: Resilient Routing via Graph Neural Networks and Multi-Agent Deep Reinforcement Learning[J]. IEEE Transactions on Network and Service Management, 2023. Link Code 변화에 대처하기: 그래프 신경망 및 다중 에이전트 심층 강화 학습을 통한 탄력적 라우팅 Dealing with Changes: Resilient Routing via Graph Neural Networks and Multi-Agent Deep Reinforcement Learning Dealing_with_Cha..

Welcome to IGNNITION — ignnition main documentation IGNNITION: Bridging the Gap Between Graph Neural Networks and Networking Systems • Pujol-Perich D, Suárez-Varela J, Ferriol M, et al. IGNNITION: Bridging the Gap Between Graph Neural Networks and Networking Systems[J]. IEEE Network, 2021. Link Code IGNITION: 그래프 신경망과 네트워킹 시스템 간의 격차 해소 IGNNITION: Bridging the Gap Between Graph Neural Networks an..

GitHub - GuiminDong/GNN4IoT Graph Neural Networks in IoT: A Survey 💡 해당 논문은 사물인터넷(IoT)이 의료, 교통, 제조 등 일상 생활의 다양한 측면에 미치는 영향에 대해 설명한다. 또한 지속적인 센싱으로 생성되는 대량의 데이터와 컨볼루션 신경망 및 순환 신경망과 같은 딥 러닝 모델을 사용하여 IoT 작업을 해결하는 데 따르는 과제를 강조한다. 또한 이 논문에서는 IoT 센서 네트워크 내의 복잡한 상호 작용을 포착하고 IoT 학습 작업에서 최첨단 결과를 달성하기 위한 유망한 접근 방식인 그래프 신경망(GNN)을 소개한다. 저자들은 IoT 분야에 GNN을 적용하는 최근의 발전에 대한 포괄적인 검토를 제시하고 이 분야의 새로운 연구를 추적할 수 있는 저..

2023.09.19 - [DeepLearning/Paper Riview] - Unsupervised Resource Allocation with Graph Neural Networks 논문 리뷰 Unsupervised Resource Allocation with Graph Neural Networks 논문 리뷰 ABSTRACT 해당 논문은 비지도 학습 방식으로 자원을 할당하는 방법을 학습함으로써 전역 유틸리티 기능을 극대화하는 접근 방식을 설명한다. 저자들은 할당 대상 간의 상호 작용의 중요성을 고려 jypark1111.tistory.com MLP (Multi-Layer Perceptron): 기본적인 다층 퍼셉트론을 구현한다. 이는 노드, 엣지, 전역 특성을 업데이트하는 데 사용된다. class MLP..

ABSTRACT 해당 논문은 비지도 학습 방식으로 자원을 할당하는 방법을 학습함으로써 전역 유틸리티 기능을 극대화하는 접근 방식을 설명한다. 저자들은 할당 대상 간의 상호 작용의 중요성을 고려하여 그래프 신경망(GNN)을 사용하여 거의 최적의 할당 정책에 대한 보상 구조를 학습할 것을 제안한다. 자원 제약을 완화함으로써 진화 알고리즘 대신 기울기 기반 최적화를 활용할 수 있다. 이 알고리즘의 동기는 제한된 초기 정보를 기반으로 많은 수의 은하 중에서 선택하여 우주의 구성을 최적으로 추론하는 것이 목표인 현대 천문학의 문제에서 비롯된다. 이 기술은 사회 과학 연구에서 고객 만족도 조사 및 자율 에이전트의 탐험 전략에 이르기까지 다양한 할당 문제에 적용될 가능성이 있다. 1. Resource Allocati..