분류 전체보기207 부동산 트렌드 2026년에 대한 서평 및 요약 거시지표는 관세효과 약화에도 인플레가 잔존하고, 실질금리 여건이 실물자산 선호를 지지하는 국면임을 보여줌.한국은행은 성장 둔화와 부동산 시장안정을 저울질하며 조건부 추가 인하 가능성을 시사.서울 주택시장은 원가상승과 착공 둔화로 공급절벽 리스크가 커지는 가운데 전세가격이 수급 불균형을 반영해 강세를 이어감. 거시경제를 보면 상승흐름으로 예견돼관세 강화로 인한 비용 전가와 공급망 혼선이 2024~상반기 2025 물가를 밀어올렸으나, 하반기 들어 관세효과 약화·선반영으로 압력이 완화되는 국면임을 국제기구가 지적함 (다만 전 세계는 여전히 무역정책 불확실성과 일부 국가의 관세 인상 여파로 물가·성장 전망에 혼조가 남아 있음.)한국은 물가 둔화와 성장 둔화가 겹치며 한국은행이 2025년 2월과 5월에 기준금리.. 2025. 10. 8. Controllable Latent Space Augmentation for Digital Pathology MotivationFeature-level augmentation방법은 변환과정을 직접적으로 처리하기 어려움Generative model based augmentation은 메모리랑 시간이 너무 많이듬 Method$\mathcal{E}$: feature extractor$\mathbf{z} \in \mathbb{R}^{d}$: feature embedding$K$ : 총 augmentation transforms의 숫자$T_{K}$: 총 augmentation transform$(T_{k}, \alpha_{k})$: transform과 하이퍼파라미터$\tau$: transform의 순차 적용함수. $\tau(x; (T_{k}, \alpha_{k})^{K}_{k=1})$$\rho$: $\tau$을 적용한것.. 2025. 9. 16. Sigmoid Loss for Language Image Pre-Training Motivation:softmax-based contrastive loss의 단점2번의 정규화:. image축단위로 softmax을 하고, text축단위로 softmax하기때문에, 2번연산함. 수치적으로 불안정 함: softmax의 $e^{z_{i}}$에서 $z_{i}$가 커지면 overflow가되어서 수치적으로 불안정함 (최대값을 빼서 사용하지만 여전히 불안정) 장점Batch size: 16K 미만에서도 잘 동작함. (배치사이즈 커질수록 CLIP이랑은 비슷해지긴 함)배치사이즈 키울 수 있음: symmetric하기 때문에. Methods$x_{i}$: normalized image feature vector$y_{i}$: normalized text vector$t$: temperature scale. .. 2025. 9. 15. ReMix: A General and EfficientFramework for Multiple InstanceLearning Based Whole Slide ImageClassification MICCAI 2022 Motivation메모리 및 연산 비효율성 문제: Bag내의 multiple instance인 점으로 학습속도 느림. 패치수도 달라서 배치연산도 안됨.데이터 다양성부족: 딥러닝은 보통 다양한 샘플에서 비롯되는데, 거의 활용안됨. 라벨을 보존하면서 의미있는 증강필요. 주요가정WSI 내의패치들이 거의 반복적, 유사, 중프로토타입으로 표현이 어느정도 가능할것 방법론Reduce: 프로토타입(대표)패치를 정하는 방법K-means clustering을 진행하여, Centroid을 구함.해당 클러스터에 속한(=맴버십)인 패치의 임베딩의 공분산을 구함하나의 multivariate guassian mixture모델로 고려(N(중심점, 공분산)).Mix: 데이터의 다양성을 위한 특징수준에서의 증강방법.. 2025. 9. 4. RankMe: Assessing the Downstream Performance of Pretrained Self-Supervised Representations by Their Rank ICML 2023 MotivationSSL의 대부분(SimCLR)은 라벨없이 학습하고, 학습이 잘되었는지 아닌지를, 라벨/튜닝(라벨)에 의존했음라벨을 이용해서, Linear probing으로 확인하는 작업을 주로 했고, 라벨없는 경우 확인하기 어려움라벨없이도 표현의 품질을 가늠하고, 튜닝이 필요없는 지표를 제안"임베딩의 유효랭크"가 다운스트림 테스크에 영향랭크(Rank, 계): 서로 독립인 축의 방향 (=SVD의 0이 아닌 특이값의 계수) 방법론용어정리: Representation (인코더의 출력), 프로젝터(MLP). 프로젝터의 출력이 임베딩(embeddings)입력: 데이터셋에서 임베딩 행렬 $Z \in \mathbb{R} ^{N \times K}$ (25,600개도 OK)Z의 특이값 계산 $\si.. 2025. 9. 2. Foundation Models in Computational Pathology: A Review of Challenges, Opportunities, and Impact 2. Foundation Models: Definition, Importance, and Technical Foundations Phase 1: Inductive learning (manual)Phase 2: 자동으로 고수준 특징을 추출하게 됨 (=representation learning)Phase 3: 모델이 동질화 되어가는 중 (why? data scale, SSL, Transformer) => 의학분야에 의미있음. 정의: 규모(scale), 자기지도(SSL), 적응성(Adaptability)을 특징으로함. Table 1.최근 40개의 FM. 초기에는 contrastive learning으로 사용했는데 최근에는 generative architecture로 변화중. 3. Foundation Mode.. 2025. 9. 1. 이전 1 2 3 4 ··· 35 다음
