*NeuralDiffEqn
-
(On-going) Neural SDEs for Uncertainty-aware, Offline RL*NeuralDiffEqn/paper 2025. 12. 12. 17:47
아직 꼼꼼하게 다 보지 못함. 보는 中 Continous-time Modeling of Counterfactual Outcomes using Neural CDEs (내가 무척 좋아하는 paper) 는Model-based Offline RL 로도 formulate 할 수 있다. 굳이? 라고 할 수도 있는데..formal 하게 problem 을 define 할 수 있지 않을까? 하는 생각에 굳이 ㅎㅎ 탐구 중이다. 사실.. 이번 학기 RL을 공부해온 최종 목적지가 여기였다.하지만 Model-based & Offline RL에 도달하지 못했다. 시간이 조금 걸릴 것 같다. 차이점은 여기서는 Neural SDE로 dynamics를 modeling한다. Neural CDE가 굉장히 매력있듯이, Neural SD..
-
-
-
Offline RL으로 접근 가능하지만 결론은..!*NeuralDiffEqn/thought 2025. 8. 30. 18:58
Offline RL을 공부하며 전개했던 아래의 생각과 의문점들이 맞았다. Offline RL paper에서도 counterfactual inference의 필요성, 그리고 그를 위한 model-based approach의 필요성을 언급하고 있다. Neural CDE로 counterfactual inference를 한 paper의 접근법이 적절하다는 것이다! (※ 참고로, 동일한 MIMIC III dataset으로 offline RL 방식으로 접근한 (q-learning, actor-critic) paper들도 있다.)https://arxiv.org/pdf/1711.09602https://arxiv.org/pdf/1704.06300https://arxiv.org/pdf/1807.01473Neural C..
-
Normalizing Flows*NeuralDiffEqn/thought 2025. 8. 12. 16:01
신상은 못 참지 주입식 교육하기로 맘 먹은 거 어떻게 아시고이렇게 시기적절하게신상 강의를 올려주시나용? 데헷 문교수님께서 강의하시는 NF라니! 얼핏 살펴보니 역시 unique하다..! theory 깊이가 다르다.. ㅎ CNF까지 가주심 오옷 역시 역시.CNF까지 가는 NF 강의를 본 적이 없다. 대체 왜 인교..!? 역시 문교수님께서는 Neural ODE를 다뤄주신다. (난 진짜 놀랐던 게, GAN에서도 그 정도의 theory를 다뤄주는 강의를 본 적이 없다. W-GAN, MMD-GAN loss function 왜 그렇게 나온 건지.. 아무리 찾아도 없어서 속 터져나가는 중에 교수님께서 구원해주심. 교수님, 은혜 평생 잊지 않을께요..ㅎㅎ) 이번 강의 시리즈도 즐겁게 열공하겠습니다 헤헤 나중에 후기 ..
-
-
Patrick Kidger ♡*NeuralDiffEqn/thought 2025. 8. 10. 16:27
뭐니뭐니 해도 저자 직강!https://www.youtube.com/watch?v=TGfGiBhDEi0&t=771s https://www.youtube.com/watch?v=lT3cmlKUyJY 밥을 떠먹여주신다. 9첩 반상으로 차려주셨다."뭘 좋아할지 몰라서 다 준비했어" 느낌이랄까..?정말로 다양한 application과 research topic을 생각해볼 수 있겠는데, 대충 정리하자면 다음과 같다.Neural Diff Eqn에 갓 입문한 '뉴비'라면..1. 기존의 modeling에 Neural Diff Eqn 적용 혹은 짬뽕 (hybridizing)e.g.) theory-driven + data-driven modeling or mathematical modeling + neural networ..
-
Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations*NeuralDiffEqn/paper 2025. 8. 9. 21:58
https://arxiv.org/pdf/2206.08311(ICML 2022)Abstract Estimating counterfactual outcomes over time has the potential to unlock personalized healthcare by assisting decision-makers to answer “what-if” questions. Existing causal inference approaches typically consider regular, discrete-time intervals between observations and treatment decisions and hence are unable to naturally model irregularly sam..