Paper Reading ๐/Natural Language Processing
Why I studied Embedding Matrix? NLP ๋ถ์ผ์์ ์ค์ํ๊ฒ ์ฌ์ฉ๋๋ Emebedding Matrix๋ค์ ๋ํด ํ์ต์ ํ์๋ค. Embedding Matrix๋ฅผ ํตํด ๋ฌธ์ฅ์์ ์ด๋ ํ ๋จ์ด๋ ๋ฌธ์ฅ์ด ์ผ๋ง๋ ์ค์ํ ์๋ฏธ๋ฅผ ๊ฐ์ง๋์ง๋ฅผ ๊ณ์ฐํ ์ ์๊ฒ ๋๋ค. (์์ ): ELMo, BERT, GPT-1์ ๋ฐ๋ก ๋
ผ๋ฌธ ๋ฆฌ๋ทฐ๋ก ์ฌ๋ฆฌ๋๋ก ํ๊ฒ ์ต๋๋ค. Table of Contents 1. What is Language Model? 2. Count based word representation 2-1. TF-iDF 3. Word Embedding 3-1. Word2Vec 3-2. GloVe 1. What is Language Model? ์ธ์ด ๋ชจ๋ธ (Language Model)์ด๋, ์ธ์ด๋ฅผ ๋ชจ๋ธ๋งํ๊ธฐ ์..
Paper Reading ๐/Natural Language Processing
Why I read this paper? fake news detection ๊ณผ์ ์์ ๋ชจ๋ธ์ด ์ฃผ์ด์ง ๋ฐ์ดํฐ์ ์ด๋ ํ ๋จ์ด ๋๋ ๋ฌธ์ฅ์ ๋ํด ์ค์์ฑ์ ๋ณด์ด๋์ง ํ์
ํ๊ธฐ ์ํด CAM๊ณผ Grad-CAM์ ํ์ฉํ์ฌ Visualization์ ์งํํ ๋ถ๋ถ์ ์๊ธฐ ์ํด. Grad-CAM์ ์ด๋ฏธ์ง์ ์ ์ฉํ๊ธฐ ์ํด ๊ฐ๋ฐ๋ ๊ธฐ์ ์ธ๋ฐ ์ด๋ฅผ ์ด๋ป๊ฒ text data์ ์ ์ฉํ๋์ง ๊ถ๊ธํด์ ์ฝ๊ฒ ๋์๋ค. Table of Contents 1. Introduction 2. Methodology 3. Experiments & Results(์ผ์ ๋ถ๋ถ๋ง) 4. Conclusion 1. Introduction ์ด ๋
ผ๋ฌธ์์๋ representation space์ ํ๋ฆฌํฐ๋ฅผ ์๋ก ๋ค๋ฅธ ๊ฐ์ง์ ์ง์ง ๋ด์ค ๋ฐ์ดํฐ์
์ ๋ํ linear sepa..
Paper Reading ๐/Computer Vision
Table of Contents 1. Introduction 2. Grad-CAM 1. Introduction Grad-CAM์ Gradient-weighted Class Activation Mapping์ ์ฝ์๋ก, CNN์ ํตํด ์ด๋ฏธ์ง๋ฅผ ๋ถ์ํ ๋ ์ผ๋ฐ์ ์ผ๋ก ์ฌ๋๋ค์ ๊ทธ ๊ณผ์ ์ ๋ณผ ์ ์์ง๋ง, Grad-CAM์ ํ์ฉํ๋ฉด CNN์ ํ๋ ๊ณผ์ ์ ๋์ฑ ๋ช
๋ฐฑํ๊ณ ์์ธํ๊ฒ ์ ์ ์๋ค. Grad-CAM์ ์ด์ ์ ๋ชจ๋ธ๋ค๊ณผ ๋ฌ๋ฆฌ ์๋ฌด๋ฐ ๊ตฌ์กฐ์ ๋ณํ์ ์ฌํ์ต ์์ด CNN์ ๋ค์ํ ๋ชจ๋ธ๋ค์ ์ ์ฉ์ด ๊ฐ๋ฅํ๋ค!! ์ด ๋
ผ๋ฌธ์์๋ Grad-CAM๊ณผ fine-grained visualization์ ๊ฒฐํฉํ์ฌ high-resolution class-discriminative visulaization์ ํ ์ ์์๋ค. ๊ทธ๋ฆฌ๊ณ ์ด๋ฅผ..
'Paper Reading ๐' ์นดํ
๊ณ ๋ฆฌ์ ๊ธ ๋ชฉ๋ก (12 Page)
๋จ์ถํค
๋ด ๋ธ๋ก๊ทธ
๋ด ๋ธ๋ก๊ทธ - ๊ด๋ฆฌ์ ํ ์ ํ |
Q
Q
|
์ ๊ธ ์ฐ๊ธฐ |
W
W
|
๋ธ๋ก๊ทธ ๊ฒ์๊ธ
๊ธ ์์ (๊ถํ ์๋ ๊ฒฝ์ฐ) |
E
E
|
๋๊ธ ์์ญ์ผ๋ก ์ด๋ |
C
C
|
๋ชจ๋ ์์ญ
์ด ํ์ด์ง์ URL ๋ณต์ฌ |
S
S
|
๋งจ ์๋ก ์ด๋ |
T
T
|
ํฐ์คํ ๋ฆฌ ํ ์ด๋ |
H
H
|
๋จ์ถํค ์๋ด |
Shift + /
โง + /
|
* ๋จ์ถํค๋ ํ๊ธ/์๋ฌธ ๋์๋ฌธ์๋ก ์ด์ฉ ๊ฐ๋ฅํ๋ฉฐ, ํฐ์คํ ๋ฆฌ ๊ธฐ๋ณธ ๋๋ฉ์ธ์์๋ง ๋์ํฉ๋๋ค.