데알못정을

본 포스팅은  Feuerriegel, Stefan, et al. "Causal machine learning for predicting treatment outcomes." Nature Medicine 30.4 (2024): 958-968.를 읽고 정리한 글임을 밝힙니다. causal ML in medicine은 치료로 인한 환자 결과의 변화와 같은 인과 관계를 예측하는 것을 목표로 한다. causal ML은 RCT(Randomized Controlled Trials)를 통해 얻은 실험 데이터와 임상 등록, 전자 건강 기록 및 기타 RWD(Real-World Data) 소스에서 얻은 관찰 데이터를 모두 사용하여 치료 효과를 추정하고 임상적 증거를 생성하는 데 사용될 수 있다.causal ML의 핵심 강점..

https://medium.com/@karanbhutani477/the-causal-revolution-in-machine-learning-moving-beyond-correlation-to-causation-07c4531c2cc0 The Causal Revolution in Machine Learning: Moving Beyond Correlation to CausationCausal Machine Learning (Causal ML) represents a fundamental shift in how we approach artificial intelligence, moving beyond simple pattern…medium.com위 블로그를 읽고 정리한 글임을 밝힙니다. 인과적 머신러닝의 이해인..

심각한 질병이나 다수의 부상의 경우에 혈압이 매우 낮아지고 이로 인해 순환 부전(Circulaotory Failure)를 유발할 수 있다. 혈압은 organ에 영양소, 산소를 공급할 만큼 큰 수준을 유지한다.(혈관에 영향을 줄 정도로 크지는 않다.) 이러한 혈압이 낮아지게 되면, 세포들이 정상 기능을 하는데 필요한 산소의 양이 부족해진다. 이를 순환 부전(Circulaotory Failure)이라 부른다. 따라서 순환 부전이 지속된다면 organ은 정상 기능을 하지 않게 된다. 예를 들어 순환 부전으로 인해 신장이 손상되면 혈액을 정상적으로 소변으로 변환하기 어려울 것이고, 이렇게 되면 circulatory shock라 부르는 심각한 환경을 초래한다. 뇌에 전달되는 산소의 양과 피부에 전달되는 혈액의 양..

이 글은 Rohit Kundu가 작성한 "Domain Adaptation in Computer Vision: Everything You Need to Know"를 읽고서, 한글 번역 및 핵심 정리(요약) + 추가 정리를 위해 작성되었습니다. 또한, BOAZ ADV project를 위한 팀 세미나를 위해 정리했기 때문에, 원래 출처의 내용 중 일부 내용이 생략되었습니다. Introduction 딥러닝 알고리즘은 classification task 부터, object detection까지 다양한 Computer Vsion 분야에서 사용되었다. 하지만 이는 두 가지 문제점이 있었는데, - 첫째, neural network를 효과적으로 학습하기 위해 label이 있는 많은 데이터를 학습해야한다.(데이터에 lab..

1. What is Multimodal Learning? 멀티모달 러닝이란 인간의 "5가지 감각기관"과 같이 multiple modalities로부터 다양한 정보를 처리하고 연결시키는 모델을 만들어서, 인간의 인지적 학습방법과 같이 세계를 이해하는 학습 방법이다. 인간의 5가지 감각기관이라 하면 시각, 후각, 미각, 촉각, 청각 등이 있겠지만 머신러닝에 실제로 구현하고자 하는 모달은 시각(사진, 동영상, 글), 청각(음성)에 해당할 수 있다. 즉 multimodal learning에서 다루고자 하는 modal은 아래와 같다. Verbal(written or spoken, words, syntax,....) Vocal(sounds, para-verbal, prosody, vocal expressions,...

이미지 데이터는 다차원 특징 공간의 한 점으로 표현될 수 있다. 여기 여자아이들 우기 사진이 있다고 하자. 우기의 '코'의 길이 라는 특징 1과 우기의 '눈'의 모양 이라는 특징 2를 확률 변수로 두고 어떤 한 공간상에 표현하면 확률 분포를 만들 수 있다. 생성 모델(Generative Model)은 실존하지 않지만 있을 법한 이미지를 생성할 수 있는 모델이다. 위 다변량 분포와 비슷하게 생성모델이 분포를 만들어 내면 우기의 코의 길이, 눈의 모양과 비슷하게 이미지를 만들어 낼 수 있다. 이와 같이, 생성모델의 목표는 이미지 데이터의 분포를 근사하는 모델 G를 만드는 것이다. 이러한 목적을 갖고 제안된 모델이 GAN 이다. GAN은 다음과 같이 시간이 지나면서 생성모델의 분포(초록)이 원본 데이터의 분포..