MARC

 008260126s2025        us                              c    eng  d
■001000017360826
■00520260202105624
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265429629
■035    ▼a(MiAaPQ)AAI32316541
■035    ▼a(MiAaPQ)Stanfordng584zt1322
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a500
■1001  ▼aWang,  Ke  Alexander.
■24510▼aTowards  Structured  Intelligence  for  Sequence  Modeling
■260    ▼a[Sl]▼bStanford  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a163  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Fox,  Emily.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2025.
■520    ▼aLearning,  for  both  human  and  machine,  is  a  search  for  explanations  that  fit  our  observations.  This  process  is  shaped  by  the  priors,  biases,  and  inductive  assumptions  embedded  in  the  structure  of  our  hypothesis  space.  In  this  thesis,  we  explore  how  introducing  the  right  structure  can  guide  machine  learning  in  sequence  modeling  tasks.  We  begin  with  a  real-world  problem  of  modeling  glucose  control  using  free-living  continuous  glucose  monitor  data.  By  embedding  mechanistic  physiological  models  into  the  learning  process,  we  constrain  the  hypothesis  space  to  reflect  our  understanding  of  how  the  body  regulates  glucose,  producing  interpretable  and  clinically  meaningful  representations  of  glycemic  control.  We  then  turn  to  generic  sequence  modeling,  where  we  study  two  ways  to  incorporate  structure  through  memory.  One  approach  introduces  multiresolution  memory  as  an  inductive  bias  that  captures  hierarchical  patterns  common  in  sequence  data,  yielding  a  parameter-efficient  neural  network  grounded  in  wavelet  theory.  Another  offers  a  unifying  framework  for  understanding  and  deriving  modern  neural  sequence  models,  such  as  softmax  attention  and  state-space  models,  viewing  them  as  implicit  algorithms  for  associative  memory  and  retrieval.  This  thesis  takes  a  step  towards  structured  intelligence  for  sequence  modeling,  showing  how  principled  architectural  designs,  whether  drawn  from  domain  knowledge  or  memory  mechanisms,  can  produce  models  that  are  more  interpretable  and  effective.
■590    ▼aSchool  code:  0212.
■650  4▼aDecomposition
■650  4▼aGlucose
■650  4▼aDiabetes
■650  4▼aDeep  learning
■650  4▼aWavelet  transforms
■650  4▼aInsulin
■650  4▼aNeural  networks
■650  4▼aMathematics
■650  4▼aMedicine
■650  4▼aPharmaceutical  sciences
■650  4▼aPublic  health
■690    ▼a0800
■690    ▼a0405
■690    ▼a0564
■690    ▼a0572
■690    ▼a0573
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360826▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서