arXiv:2301.10173

Accurate Detection of Paroxysmal Atrial Fibrillation with Certified-GAN and Neural Architecture Search

Mehdi Asadi, Fatemeh Poursalim, Mohammad Loni, Masoud Daneshtalab, Mikael Sjödin, Arash Gharehbaghi

제출 2023-01-17

원문 초록

This paper presents a novel machine learning framework for detecting Paroxysmal Atrial Fibrillation (PxAF), a pathological characteristic of Electrocardiogram (ECG) that can lead to fatal conditions such as heart attack. To enhance the learning process, the framework involves a Generative Adversarial Network (GAN) along with a Neural Architecture Search (NAS) in the data preparation and classifier optimization phases. The GAN is innovatively invoked to overcome the class imbalance of the training data by producing the synthetic ECG for PxAF class in a certified manner. The effect of the certified GAN is statistically validated. Instead of using a general-purpose classifier, the NAS automatically designs a highly accurate convolutional neural network architecture customized for the PxAF classification task. Experimental results show that the accuracy of the proposed framework exhibits a high value of 99% which not only enhances state-of-the-art by up to 5.1%, but also improves the classification performance of the two widely-accepted baseline methods, ResNet-18, and Auto-Sklearn, by 2.2% and 6.1%.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2606.28126v1cs.AI공통 태그 Generative Adversarial Network, Neural Architecture Search

첨단 시스템 설계를 위한 AI 기반 합성: 혁신 자동화

AI-Driven Synthesis for High-Tech System Design: Automating Innovation

본 논문은 현대 첨단 시스템 설계에 내재된 조합적 복잡성을 다루며, 설계 자동화(automation-in-design, AiD)를 변혁적 패러다임으로 제시한다. 우리는 심층 학습과 생성형 AI를 활용해 새로운 시스템의 창출을 자동화하는 계산적 설계 합성(computational design synthesis, CDS) 프레임워크를 제안한다. 두 가지 사례 연구(e-drive 시스템 설계 및 공간 치수 결정 문제)가 이 접근법의 검증 사례로 작용한다. 사례 연구에서 사용된 AI 기반 방법은 공학에서 시뮬레이션 기반 최적화로부터 최소한의 인간 감독 하에 자율 설계로 나아가는 근본적 전환을 나타낸다.

arXiv:2606.26169v1cs.LG공통 태그 Generative Adversarial Network, Neural Architecture Search

Neural Architecture Search for Generative Adversarial Networks: A Comprehensive Review and Critical Analysis

초록·제목을 용어 규칙과 glossary에 맞춰 번역한 JSON만 반환합니다. {"title_ko": "생성적 적대 신경망을 위한 신경망 구조 탐색: 포괄적 검토 및 비판적 분석", "abstract_ko": "신경망 구조 탐색(NAS)은 생성적 적대 신경망(GAN) 설계를 최적화하는 데 있어 핵심 기법으로 부상했으며, 수동 설계에 내재된 과제를 해결하면서 효과적인 구조를 자동으로 탐색한다. 본 논문은 GAN에 적용된 NAS 방법에 대한 포괄적 검토를 제공하며, 탐색 전략, 평가 지표, 성능 결과 등의 기준에 따라 다양한 접근법을 분류하고 비교한다. 이 검토는 NAS가 GAN의 성능, 안정성, 효율성을 개선하는 이점을 부각하는 동시에 한계와 향후 연구 영역을 식별한다. 주요 발견에는 특정 맥락에서 진화 알고리즘과 그래디언트 기반 방법의 우위, Inception Score(IS) 및 Fréchet Inception Distance(FID)와 같은 전통적 점수를 넘어서는 견고한 평가 지표의 중요성, GAN 성능 평가를 위한 다양한 데이터셋의 필요성이 포함된다. 기존 NAS-GAN 기법에 대한 구조화된 비교를 제시함으로써, 본 논문은 연구자들이 더 효과적인 NAS 방법을 개발하고 GAN 분야를 발전시키도록 안내하는 것을 목표로 한다."}

arXiv:2505.08854v2cs.CV공통 태그 Generative Adversarial Network공식 코드 · Papers with Code

자율주행을 위한 생성형 AI: 최전선과 기회

Generative AI for Autonomous Driving: Frontiers and Opportunities

생성형 인공지능(GenAI)은 콘텐츠 생성, 추론, 계획, 멀티모달 이해를 위한 비할 데 없는 역량을 통해 산업을 재편하는 변혁적인 기술 물결을 형성하고 있습니다. 이러한 혁신적인 힘은 공학 분야의 가장 큰 난제 중 하나인 신뢰할 수 있는 완전 자율주행의 달성, 특히 레벨 5 자율주행의 실현을 향한 가장 유망한 경로를 제공합니다. 본 서베이 논문은 자율주행 스택 전반에 걸친 생성형 AI의 부상하는 역할을 포괄적이고 비판적으로 종합하여 제시합니다. 먼저 VAE, GAN, 확산 모델(Diffusion Models), 대규모 언어 모델(LLM)을 아우르는 현대 생성 모델링의 원리와 트레이드오프를 정리합니다. 이어서 이미지, LiDAR, 궤적, 점유(occupancy), 비디오 생성뿐만 아니라 LLM 기반 추론 및 의사결정에서의 최전선 응용 사례를 조망합니다. 또한 합성 데이터 워크플로우, 엔드투엔드(end-to-end) 주행 전략, 고충실도 디지털 트윈 시스템, 지능형 교통 네트워크, 체화된 AI(embodied AI)로의 도메인 간 전이 등 실질적인 적용 분야를 분류합니다. 희귀 사례에 걸친 포괄적 일반화, 평가 및 안전성(safety) 검증, 예산 제약 기반 구현, 규제 준수, 윤리적 문제, 환경적 영향과 같은 주요 장애물과 가능성을 식별하는 동시에, 이론적 보증, 신뢰 메트릭, 교통 통합, 사회기술적 영향에 걸친 연구 계획을 제안합니다. 이러한 흐름을 통합함으로써, 본 서베이는 생성형 AI와 첨단 자율 이동성의 수렴을 탐색하는 연구자, 엔지니어, 정책 입안자들에게 미래지향적인 참고자료를 제공합니다. 인용된 연구들을 적극적으로 관리하는 저장소는 https://github.com/taco-group/GenAI4AD 에서 확인할 수 있습니다.

arXiv:2505.23869v5stat.ML공통 태그 Neural Architecture Search공식 코드 · Papers with Code

Gibbs 무작위성-압축 명제

Gibbs randomness-compression proposition

손실 압축 과정과 연관된 측정 벡터 집합에 대한 Gibbs 엔트로피를 통해 무작위성과 압축을 연결하는 명제를 제안한다. 이 연결을 구축하는 과정에서, 반복적인 압축-학습 주기에서 압축을 탐색하는 수단으로 학습 과제의 성능을 사용한다. 이는 열역학적 효율을 탐색 수단으로 사용하는 통계역학적 관점에서의 반복적 coarse-graining으로 볼 수 있다. 압축률의 매우 작은 감소와 성능 사이의 공단조(comonotonic) 관계를 통해 이 연결을 공식화한다. 기준선 모델로 세 가지 서로 다른 모델 압축 과정을 사용하여, 심층 학습의 정형적인 비전 과제에서 이 명제의 타당성을 입증한다. 다음의 단순한 것부터 복잡한 것까지의 모델 압축 접근법을 사용한다: (1) 무작위 가지치기, (2) 크기(magnitude) 가지치기, (3) 이중 방식의 압축 센싱(compressed sensing)을 활용하는 이중 tomographic 압축을 이용한 보다 복잡한 압축으로, 이는 새로운 방법으로 소개된다. 심층 학습 네트워크의 남은 가중치를 측정 벡터로 사용하여 Gibbs 엔트로피를 측정한다. 성능으로 탐색한 압축과 학습된 모델에 대한 엔트로피 측정으로부터 얻은 무작위성 사이에 본질적으로 계산 가능한 연결이 존재한다는 개념을 보여준다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.