신경망 구조 탐색 과정 상 학습이 필요 없는 zero-shot 기반의 탐색으로 효과적인 연산 수행

데이터 도메인에 적절한 Adapter 구조를 통한 SAM의 성능 향상 기여

분포의 유연성에 대응하기 위한 Tweedie NLL과 평균 예측 안정성을 확보하기 위한 Huber Loss를 결합 hybrid loss 제안

데이터 및 모델 예측의 불확실성을 학습에 반영하기 위한 Aleatoric uncertainty 기반 loss 파라미터 동적 조정 및 Epistemic uncertainty 기반 학습률 스케줄링 적용을 통한 학습 안정성 및 성능 향상

계절성 특징과 조도 변화 등 환경 요인에 인지성능 취약

학습하지 않은 다양한 변수들이 존재하여 기존 모델의 신뢰성과 성능을 저하가 불가피하므로 OOD/OMS를 판별하는 파이프라인을 활용

영상 객체 인지 성능을 안정적으로 높이는 방법론 제안

중간 도메인에서의 부정확한 Pseudo-Label로 인한 타겟 도메인 적응 실패

학습 순서를 신뢰도 기준으로 조절하여 중간 도메인의 강건성 확보 

모델 입장에서 데이터의 Hardness에 적응하는 지식증류를 위해 Focal Loss를 활용한 점진적인 커리큘럼 학습(PCFKD)을 제안

학습을 시작할 때 더 쉬운 샘플을 학습함에 따라 더 어려운 샘플을 도입하여 데이터 복잡성이 동적으로 증가되게 되며 이는 효율적인 지식 증류 기법