Unexpected Good Output Tree

---

SteeringTree

• Writing introduction (24.09.17)
  • Contribution 및 분석 흐름 완성 (24.09.17) ✅
  • Steering location에 따른 in-context 오작동 문제 발견 - logit이면 in-context가 안됨. (24.09.17)
• Writing Methods (24.09.17)
  • 🧷[정의 1] Hidden representation 기반 Notation (24.09.17)
    • Causal Indirect Effect by Binarized Prediction 만듬. (24.09.17) ✅
    • Notation 정리 깔끔하게 해야 됨. (24.09.17) 😡
      • 데이터 $\mathcal{D} = { (x_i, y_i) }_i$ (24.09.17)
      • In-context Prompt 등 (24.09.17)
      • Measure 값 정의 등 (24.09.17)
  • 🧷[정의 2] Steering location에 따른 표현값
    • 단일 위치 / 다중 위치 노테이션
  • 🧷[정의 3] Contribution of Steering 정의
  • 🧷[정의 4] Mitigating Steered Bias
    • Drop K, V
    • (다른 대안을 하나 더 찾자.)
• Writing Experiments (24.09.17)
  • dataset preparation
  • steering vector computation
  • in-context 기반 세팅 (몇 가지 경우들이 있는지 확인 필요!) 😡

---

Kolmar Preparation

• Papers: Viscosity Prediction
  • A: A Machine Learning Approach to Predict Fluid Viscosity Based on Droplet Dynamics Features
    • link
    • Three machine learning models based on multivariate linear regression, random forest, and neural network
    • Droplet dynamics features는 액체 방울이 움직일 때나 다른 요소와 상호작용할 때 발생하는 물리적 특성
  • B: Application of machine learning techniques to predict viscosity of polymer solutions for enhanced oil recovery
    • link
    • 다중 선형 회귀(MLR), 서포트 벡터 머신(SVM), 회귀 의사결정 트리(RDT), 인공신경망(ANN)
    • 문제의 비선형성으로 인해 MLR은 폴리머 점도 예측에 적합하지 않다고 결론지었습니다. 기계 학습 방법 중에서는 두 개의 은닉층과 각 층에 다섯 개의 뉴런을 가진 인공신경망(ANN) 모델이 훈련, 검증, 테스트 데이터 세트 모두에서 상관 계수 0.99를 달성
  • C: Facial Beauty Prediction Based on Vision Transformer
    • https://www.ijeetc.com/index.php?m=content&c=index&a=show&catid=189&id=1791
    • 이미지 기반
  • D: Machine Learning-Based Facial Beauty Prediction and Analysis of Frontal Facial Images Using Facial Landmarks and Traditional Image Descriptors
  • E: Cosmetics Suggestion System using Deep Learning
  • F: A fingerprints based molecular property prediction method using the BERT model
    • 약물 발견과 재배치에 중요한 분자 속성 예측(MPP)
    • 제안된 모델은 분자 서열 임베딩과 예측 모델로, 분자 속성 관련 특징을 추출하기 위해 BERT 기반의 Fingerprints-BERT(FP-BERT)를 사전 학습하여 분자의 의미적 표현을 획득.
    • FP-BERT로 인코딩된 분자 표현을 CNN에 입력해 더 추상적인 고차원 특징을 추출한 후, 분자 속성을 분류 또는 회귀 작업으로 예측
  • G: Mol-BERT: An Effective Molecular Representation with BERT for Molecular Property Prediction
    • 제안된 Mol-BERT 모델은 약물 분자의 SMILES 데이터를 기반으로 분자 구조 정보를 추출하는 BERT 모델을 사전 학습
    • 약 400만 개의 비라벨링된 약물 데이터를 사용해 사전 학습된 이 모델은 다양한 분자 속성 예측 작업에 맞게 미세 조정될 수 있습니다.
  • MPP 문제
    • SMILES (Simplified Molecular Input Line Entry System): • 분자의 구조를 1차원 문자열로 표현하는 방식입니다. SMILES는 분자 구조의 원자, 결합, 방향성 등을 문자열 형태로 나타내며, 머신러닝 모델에서 자주 사용됩니다. • 예: 물(H₂O)의 SMILES 표현은 “O”입니다.
    • Fingerprint (분자 지문): • 분자의 구조적 특징을 고정된 크기의 이진 벡터로 변환한 것입니다. 각 비트는 분자의 특정 구조적 서브패턴의 존재 여부를 나타냅니다. • Morgan Fingerprint와 같은 방식이 많이 사용됩니다.

---