연구 배경 AnomalyCLIP + Learnable Attention Head Weight Pixel-level AD 기준 정량적, 정성적인 차원에서 성능 개선을 위해 두 논문의 이론을 활용함 AnomalyCLIP : Object-agnostic Prompt Learning for Zero-shot Anomaly Detection. (ICLR 2024) Interpreting CLIP’s Image Representation via Text-Based Decomposition (ICLR 2024) 다양한 도메인에서 우수한 ZSAD(Zero-Shot Anomaly Detection) 성능을 보이는 AnomalyCLIP에 대한 연구와 ViT 내 attention head 마다 집중하는 이미지 요소가 다르다는 연구에서 얻은 아이디어를 기반으로 최종 patch representation 생성시 Industrial Anomaly Detection에 악영향을 끼치는 요소에 집중하는 head…

Abstract 본 문서는 Multi-Domain Recommendation(MDR) 문제 해결을 위해 기존 Cross-Domain Recommendation(CDR) 관련 연구들과 최신의 MDR 연구를 살펴보고 현업에 적용하기 위한 연구 방향을 제안합니다. 최근 연구된 UniSRec, UniCDR, MDRAU 세 개의 모델을 살펴보면서 MDR 연구의 큰 흐름을 이해합니다. 최근의 연구들은 사용자 행동 기준으로 도메인을 seen과 unseen을 기준으로 source domain과 target domain으로 구분하며, Sequence 기반의 user, item 데이터를 고전적인 방식의 id 기반이 아닌 text representation를 사용해서 더 많은 정보를 사용합니다. 모델링의 경우 더 긴 text를 인코딩하기 위한 개선된 transformer를 사용하고 contrastive model과 transfer model을 채택합니다. 대조학습의 성능 개선을 위한 masking m…

Evaluation Metrics 회귀(Regression) 결정계수(Coefficient of Determination or R-squared Score)를 주로 사용 1에 가까울수록 모델의 설명력이 높고, 0에 가까우면 설명력이 낮음. 음수가 나올 수 있음 MAE, MSE, RMSE, MAPE는 값이 작을수록 모델의 예측이 실제에 가깝다는 의미 분류(Classification) 모델이 예측한 값과 실제 값을 비교해, 얼마나 정확히 분류했는지 어떤 오류가 발생했는지 보여줌 혼동 행렬(Confusion Matrix) 구성 TP (True Positive): 실제 Positive를 Positive로 맞게 예측 TN (True Negative): 실제 Negative를 Negative로 맞게 예측 FP (False Positive): 실제 Negative를 Positive로 잘못 예측 (오류) FN (False Negative): 실제 Positive를 Negative로 잘못 예측 …

To OO님, 주니어, 시니어를 거쳐 언젠가는 조직의 리드 엔지니어가 될테니 리드 엔지니어의 역할과 중요하게 여겨야 할 것들에 대해 얘기해 줄게. 리드 엔지니어의 역할 리드 엔지니어의 역할은 크게 3가지로 요약할 수 있어. 기술 리드 조직의 미션 기반으로 엔지니어링 팀의 기술 목표를 세우고 효율적인 목표 달성을 위해 로드맵을 수립합니다. 조직의 기술 스택을 결정하고 적용하는 과정을 리드합니다. 프로덕트 아키텍처를 만들고 발전시켜야 합니다. 기술 코치 팀이 기술적으로 성장할 수 있는 환경을 만들고 적극적으로 코치해야 합니다. 팀의 기술적 목표를 높게 유지할 수 있도록 해야 합니다. 일하는 방식에 대해서도 팀원이 우선순위 기반으로 자신의 일정을 계획하며 관리할 수 있게 코치해야 합니다. 팀 매니징 조직의 방향성과 비전을 엔지니어들에게 이해시키고 같은 방향을 바라보게 개선합니다. 인재의 채용과 유지 팀에 맞는 최적의 엔지니어를 찾기 위해 노력합니다. 인재들을 주기적으로 면담하여 문제가 …