[’24 NeurIPS] SMELLNET: A Large-scale Dataset for Real-world Smell Recognition
SmellNet은 저가형 전자코 센서를 활용해 대규모 냄새 데이터셋을 구축하고, contrastive learning으로 소량의 GC-MS 데이터를 활용해 분류 성능을 향상시킨 연구입니다.
[’24 Nature Communications] Predicting and improving complex beer flavor through machine learning
맥주 250종의 화학 성분과 감각 평가 데이터를 기반으로, 향미와 기호도를 머신러닝으로 예측하고 주요 향미 화합물을 도출한 연구입니다. 예측 결과를 실제 맥주에 적용해 향미 개선 효과도 실험적으로 입증했습니다.
[’21 Nature Scientific Reports] FlavorGraph: a large‑scale food‑chemical graph for generating food representations and recommending food pairings
FlavorGraph는 음식 재료와 화합물 간의 관계를 그래프로 구성하고, 이를 임베딩하여 음식 페어링과 화합물 예측 등에 활용 가능한 표현을 학습합니다. 레시피 공출현과 화학 정보를 통합해 풍부한 음식 표현을 제안합니다.
[’19 IJCAI] KitcheNette: Predicting and Recommending Food Ingredient Pairings using Siamese Neural Networks
요리사의 경험에 의존해왔던 음식 페어링을 데이터 기반으로 예측하는 KitcheNette 모델을 소개합니다. 레시피 텍스트로부터 학습한 임베딩과 Siamese 네트워크를 활용해 재료 간 궁합을 정량화하고, 새로운 조합까지 추천할 수 있음을 보여줍니다.
[’17 CVPR] Learning Cross-modal Embeddings for Cooking Recipes and Food Images
2017년 CVPR 논문 *Im2Recipe*는 음식 이미지와 레시피 텍스트를 함께 이해하는 크로스모달 임베딩 모델을 제안했습니다. 100만 개 레시피와 80만 장 이미지를 담은 Recipe1M 데이터셋을 구축하고, 이미지와 텍스트를 공통 공간에 정렬하여 음식의 의미를 학습했습니다.
[’17 Nucleic Acids Research] FlavorDB: a database of flavor molecules
FlavorDB는 식재료와 flavor 분자를 연결한 데이터베이스로, 향미를 구성하는 분자의 구조와 특성을 체계적으로 정리해 다양한 응용 가능성을 제시합니다.
AI논문 읽기 가이드
AI논문을 어떻게 읽고, 정리하고, 선택할지에 대한 개인적인 노하우를 정리했습니다. 논문 구조를 이해하고, 핵심을 파악하는 방법부터, 효과적인 정리와 나만의 읽기 루틴까지 함께 살펴보세요.
[21′ NeurIPS] Characterizing possible failure modes in physics-informed neural networks
PINN은 시뮬레이션 도메인을 딥러닝으로 혁신할 수 있는 아주 재미있는 아이디어를 제공합니다. 하지만 순수 PINN 그 자체로는 여러가지 한계를 보여주는데요. 이번 포스팅에서는 PDE Coefficient가 큰 상황에서 PINN 학습이 안되는 현상을 분석하고, 이러한 문제를 해결하기 위한 두가지 방법인 curriculum learning 과 seq2seq PINN 방법을 살펴봤습니다.
[24′ ICML] Parameterized Physics-informed Neural Networks for Parameterized PDEs
이에 다양한 파라미터에 대해 동시에 대응할 수 있는 PINN에 대한 다양한 연구가 수행되고 있습니다. P2INN은 이러한 연구의 일환으로 랜덤한 파라미터로 생성한 데이터셋을 학습한 뒤, inference 단계에서는 다양한 파라미터에 대응 가능한 모델을 제안합니다. 이번 포스팅에서는 P2INN의 아이디어와 제안 방법, 실험 결과를 차례로 정리해보겠습니다.
[24′ CVPR] Deep Imbalanced Regression via Hierarchical Classification Adjustment
HCA는 long tail regression 문제를 다루고 있습니다. 기존에도 long tail 문제를 다루는 다양한 연구들이 있었는데요. 주로 빈도수에 따라 loss 가중치를 조절하거나, 기존 MSE loss를 long tail 분포에 맞게 바꿔주는 방법등을 사용했습니다. 한편 비슷한 문제인 class imbalance classification 또한 활발하게 연구되고 있는데요. Regression 문제와 달리 Classification은 class별로 빈도수를 명확하게 계산할 수 있어서 보다 수월하고, 따라서 더 활발히 연구되고 있습니다.
