anonymous?

N,M이 최대 100이므로, 구간을 인덱스로 속도 제한을 값으로 넣는 배열을 만든다. 1~100이므로 0은 사용하지 않도록 크기가 101인 배열을 만들었다. 이후 테스트하는 정보를 입력으로 받으면, 테스트하는 속도가 각 구간에서 제한 속도를 넘으면 기존 result 값과 현재 넘는 값을 비교하여 가장 큰 max 값을 저장한다. 처음에는 모든 제한 속도를 넘는 값을 vector에 저장하고, 그 중에서 max_element를 마지막에 구해서 출력하도록 했는데, 2개의 테스트케이스에서 런타임 에러가 발생해서 앞선 방식으로 결과를 구했다.#include #include #include using namespace std; int main(int argc, char** argv) { ios_base::sync_w..

PROGRAMMING/Algorithm 2023. 8. 12. 15:45

학습 위한 장치 얻기GPU 또는 MPS 같은 하드웨어 가속기에서 모델 학습`torch.cuda` 또는 `torch.backends.mps` 사용 가능한지 확인하고, 그렇지 않으면 CPU 사용if torch.cuda.is_available(): DEVICE = torch.device('cuda') elif torch.backends.mps.is_available(): DEVICE = torch.device('mps') else: DEVICE = torch.device('cpu') print('PyTorch version: ', torch.__version__, ', Device: ', DEVICE)transform = transforms.Compose( [transforms.ToTensor(), trans..

PROGRAMMING/AI 2023. 8. 7. 11:17

import torch from torch.utils.data import Dataset from torchvision import datasets from torchvision.transforms import ToTensor import matplotlib.pyplot as plt 장치 얻기 # Check Device if torch.cuda.is_available(): DEVICE = torch.device('cuda') # use GPU else: DEVICE = torch.device('cpu') # use CPU print('Using PyTorch Version: ', torch.__version__, ', Device: ', DEVICE) GPU 또는 MPS 같은 하드웨어 가속기에서 모델 학..

PROGRAMMING/AI 2023. 8. 6. 16:42

BACKGROUND Markov Chain Markov 성질을 갖는 이산 확률 과정 Markov 성질: 특정 상태의 확률($t-1$)은 현재 상태($t$)에만 의존한다. 이산 확률 과정: 이산적 시간(0초, 1초, …) 속 확률적 현상 Diffusion model 분류: 생성 모델 학습된 모델의 패턴을 생성. 많은 수의 latent variable을 만드는 Markov chain이 있음 패턴 생성 과정 학습 위해 고의로 패턴을 무너뜨리고(noising)(diffusion process), 이를 다시 복원하는 조건부 PDF를 학습(denoising)(reverse process) 학습 목표: reverse process $p_{\Theta}(X_{t-1} | X_t)$를 $q(X_{t-1} | X_t)$로..

ANALYSIS/Paper Review 2023. 8. 2. 00:53

Background DDPM 적대적 학습 없이 고해상도 이미지 합성 가능 샘플을 생성하는데 많은 단계의 Markov Chain 사용 생성 과정은 markov diffusion 과정의 reverse Summary DDPM(Denoising Diffusion Probabilistic Models)는 적대적 학습 없이 고해상도 이미지 합성 가능했지만, 샘플을 생성하는데 많은 단계의 Markov Chain 사용 ⇒ 샘플링 속도 높이기 위해 DDIM(Denoising Diffusion Implicit Models) 제안: DDPM과 동일한 학습 과정이지만 더 효과적인 반복적인 Implicit probabilistic model Approach MOTIVATION DDPM, DDIM 한계: 고해상도 이미지 생성하기..

ANALYSIS/Paper Review 2023. 8. 2. 00:51

Background 생성 모델 noise로부터 데이터를 생성하는 모델 2가지 성공적인 생성모델 분류 노이즈 수를 증가해가면서 학습 데이터를 점차 변형해가고, 이 변형을 reverse하게 학습하여 데이터의 생성모델을 생성 score matching with Langevin dynamics(SMLD): 각 노이즈 scale에서 score를 추정하고 Langevin dynamics를 사용해서 생성 동안 노이즈 scale을 감소시키면서 샘플링 Ordinary Differential Equations (ODE) 상미분 방정식: 어떤 함수가 방정식을 만족하는가?에 대해 ODE를 푸는 것 Summary SDE: 복잡한 데이터 분산에 천천히 노이즈를 추가해가면서 알려진 이전 분산으로 변환 reverse-time SDE..

ANALYSIS/Paper Review 2023. 8. 1. 23:49

BACKGROUND 생성 모델 활용 고해상도 이미지 생성 현실적인 말하기와 음악 일부 합성 semi-supervised learning 성능 향상 적대적 예제나 다른 이상 데이터 탐지 imitation learning 강화학습에서 기대하는 상태 탐색 생성 모델의 주류 likelihood-based 방식 → log-likelihood를 학습 대상으로 사용 generative adversarial network (GAN) → $f$-divergence를 최소화하기 위한 적대적 학습 사용 MOTIVATION 기존 생성모델의 한계 likelihood-based model 한계 일반화된 probability model을 구축하는데 특화된 구조를 사용하거나 학습을 위해 surrogate losses 사용 GAN 한..

ANALYSIS/Paper Review 2023. 8. 1. 23:42

BACKGROUND Classifier Guidance (Dhariwal & Nichol, 2021) 추가로 학습한 classifier를 사용하여 diffusion model의 샘플 품질을 가속하는 기술 diffusion model의 score 추정과 image classifier의 gradient를 결합 diffusion model과 분리하여 image classifier를 학습 conditional diffusion model에서 mode coverage와 sample fidelity 사이 trade-off를 달성하는 방안으로 소개됨 MOTIVATION Classifier가 없이도 guidance가 이루어질 수 있는가? - classifier guidance 한계 Classifier guidance는..

ANALYSIS/Paper Review 2023. 7. 31. 22:03

Background Diffusion Model likelihood-base model 고해상도 이미지 생성함을 보임 한계: LSUN, ImageNet과 같은 어려운 Data Set에서 GAN보다 이미지 생성이 어려움을 보임 Summary Motivation 기존 최신 생성 모델의 한계 (GAN) GAN은 최신 likelihood-based 모델보다 다양성이 부족함 학습이 어려움 심사숙고하게 hyperparameter와 regularizer를 선택하지 않으면 collapse 발생 ⇒ 이러한 GAN의 한계로 확장성이 부족 likelihood-based model 한계 장점: likelihood-based model로 GAN과 비슷하게 샘플 품질을 높여옴 단점 likelihood-base model은 div..

ANALYSIS/Paper Review 2023. 7. 31. 22:02

입력 BOJ 유저의 수 친구 관계 출력 케빈 베이컨의 수가 가장 작은 사람, 중복이 있는 경우 번호가 가장 작은 사람 출력 케빈 베이컨 수 = 모든 사람과 케빈 베이컨 게임을 했을 때, 나오는 단계의 합 예제 5 5 1 3 1 4 2 3 3 4 4 5 1: 2(2단계), 3(1단계), 4(1단계), 5(2단계) ⇒ 2 + 1 + 1 + 2 = 6 2: 1(2단계), 3(1단계), 4(2단계), 5(3단계) ⇒ 2 + 1 + 2 + 3 = 8 3: 1(1단계), 2(1단계), 4(1단계), 5(2단계) ⇒ 1 + 1 + 1 + 2 = 5 4: 1(1단계), 2(2단계), 3(1단계), 5(1단계) ⇒ 1 + 2 + 1 + 1 = 5 5: 1(2단계), 2(3단계), 3(2단계), 4(1단계) ⇒ 2 + 3..

PROGRAMMING/Algorithm 2023. 7. 29. 17:20

Markov Chain Markov 성질을 갖는 이산 확률 과정 Markov 성질: 특정 상태의 확률($t-1$)은 현재 상태($t$)에만 의존한다. 이산 확률 과정: 이산적 시간(0초, 1초, …) 속 확률적 현상 Diffusion model 분류: 생성 모델 학습된 모델의 패턴을 생성 패턴 생성 과정 학습 위해 고의로 패턴을 무너뜨리고(noising)(diffusion process), 이를 다시 복원하는 조건부 PDF를 학습(denoising)(reverse process) 학습 목표: reverse process $p_{\Theta}(X_{t-1} | X_t)$를 $q(X_{t-1} | X_t)$로 approximate하도록 학습하는 것 1. forward process (diffusion pro..

PROGRAMMING/AI 2023. 7. 28. 17:04

취약점 개요CVSS Score: 8.1 (HIGH)취약점 타입: RCE(Remote Code Execution)취약점 개요: Windows 애플리케이션 프로토콜을 통해 원격의 공격자가 NEGOEX 프로토콜에 접근하여 악성코드를 실행할 수 있음취약점 공개 날짜: 2022.08.08취약한 대상: SPNEGO Extended Negotiation (NEGOEX) 보안 메커니즘영향을 받는 프로토콜: NEGOEX이 활성화된 Windows 애플리케이션 프로토콜(SMB, RDP, HTTP, SMTP 등) 중 인터넷에 노출되거나 내부 네트워크에 노출된 프로토콜영향 받는 시스템: Windows 7 이상 BackgroundSPNEGO Extended Negotiation (NEGOEX)클라이언트와 서버가 어떤 보안 메커니..

ANALYSIS/Vulnerability Analysis 2023. 7. 25. 20:05