Atipico1/simcse-12000

SentenceTransformer based on BM-K/KoSimCSE-bert-multitask

This is a sentence-transformers model finetuned from BM-K/KoSimCSE-bert-multitask. It maps sentences & paragraphs to a 768-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.

Model Details

Model Description

• —Model Type: Sentence Transformer
• —Base model: BM-K/KoSimCSE-bert-multitask <!-- at revision 3aa54365eb9557f3b8ee1e39cff87306451abfae -->
• —Maximum Sequence Length: 512 tokens
• —Output Dimensionality: 768 tokens
• —Similarity Function: Cosine Similarity <!-- - Training Dataset: Unknown --> <!-- - Language: Unknown --> <!-- - License: Unknown -->

Model Sources

• —Documentation: Sentence Transformers Documentation
• —Repository: Sentence Transformers on GitHub
• —Hugging Face: Sentence Transformers on Hugging Face

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
)

Usage

Direct Usage (Sentence Transformers)

First install the Sentence Transformers library:

pip install -U sentence-transformers

Then you can load this model and run inference.

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("Atipico1/simcse-12000")
# Run inference
sentences = [
    '연제구의 도시미화와 저소득층 노인들의 일자리 창출에도 도움이 되는 게 뭐야',
    '연제구(구청장 이성문)는 지난해에 이어 ‘2021년 불법 유동광고물 수거보상사업’을 시행한다. ‘불법 유동광고물 수거보상사업’은 도시미관을 해치는 불법 광고물을 근절하기 위해 사업 참여자가 불법 유동광고물을 수거하여 구청 도시재생과에 가져가면 구청에서는 보상금을 지급하는 사업이다. 구는 1월 11일부터 15일까지 연제구민 중 만 60세 이상 저소득 어르신을 대상으로 신청을 받아 총 50명을 수거보상사업 참여자로 선발하였다. 참여자로 선발된 어르신들은 오는 2월부터 시작하는 수거 활동에 앞서 연제구청 구민홀에서 불법 유동광고물 구분 기준, 수거 방법, 수거 시 안전 수칙 등에 대해서 사전 교육을 받았으며 수거활동 중 발생할 수 있는 안전사고에 대비해 단체 보험에도 가입했다. 불법 광고물 정비에 주민들이 참여할 수 있는 기회를 제공하여 주민들로부터 불법 광고물에 대한 경각심을 제고 할 수 있을 것으로 기대된다. 구 관계자는 “이번 사업을 통해 주민과 함께 품격 있는 연제구를 만드는 데 일조하고, 저소득 어르신의 실버 일자리 창출에도 기여할 것으로 기대된다”고 말했다.',
    '4. 나가며\n노인복지주택이 지속가능한 노인복지정책이 되기 위해서는 사업시행자에게는 경제적으로 이득이 되고, 정책대상인 노인가구에게도 주거생활에 실질적인 도움을 줄 수 있어야 할 것이다. 그러나 그간 노인복지주택에의 사업시행자는 건설부지 및 부대시설 기준완화, 조세감면 등 각종 혜택을 받아 경제적 이득을 실현한 반면, 정책대상가구인 노인가구는 입소자격 제한규정으로 재산권 행사에 많은 불편을 겪어왔다. 이러한 정책집행 의지와 현실 간 괴리 속에서 다수의 노인복지주택에서 입소자격이 없는 자가 탈법적으로 입주하는 행위가 발생해온 것이다. 다음과 같은 측면에서도 노인복지주택정책에 대한 면밀한 검토가 필요하다. 첫째, 노인복지주택이 용도상 자연경관이 우수한 녹지지역 혹은 기반시설이 확보되지 않은 지역에도 건축될 수 있어 국토난개발을 유발할 가능성이 크다. 둘째, 보다 근본적으로 노인복지주택과 같이 노인들만 거주하는 주택이 노인복지 측면에서 바람직한지를 검토할 필요가 있다. 우리나라와 같이 급격한 고령화를 경험하고 있는 일본의 경우, 젊은 세대와 노인 세대가 함께 거주하는(age-mix) 정책이 중요하게 인식되고 있기 때문이다. 현행 노인복지주택 입소자자격 등은 노인의 주거복지증진과 행복추구에 부정적인 영향을 끼치고 있다는 점을 볼 때, 현행의 노인복지주택정책을 지속시키는 것이 실익이 있는지에 대한 면밀한 검토가 필요한 시점이다. 이를 위해 향후 공급되는 분양형 노인복지주택제도를 폐지하고, 노인복지주택을 「주택법」 체계 내로 흡수하는 방안을 적극적으로 검토할 필요가 있을 것이다.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

<!--

Direct Usage (Transformers)

<details><summary>Click to see the direct usage in Transformers</summary>

</details> -->

<!--

Downstream Usage (Sentence Transformers)

You can finetune this model on your own dataset.

<details><summary>Click to expand</summary>

</details> -->

<!--

Out-of-Scope Use

List how the model may foreseeably be misused and address what users ought not to do with the model. -->

Evaluation

Metrics

Triplet

• —Dataset: eval
• —Evaluated with <code>TripletEvaluator</code>

<!--

Bias, Risks and Limitations

What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model. -->

<!--

Recommendations

What are recommendations with respect to the foreseeable issues? For example, filtering explicit content. -->

Training Details

Training Dataset

Unnamed Dataset

• —Size: 473,130 training samples
• —Columns: <code>anchor</code>, <code>positive</code>, and <code>negative</code>
• —Approximate statistics based on the first 1000 samples: | | anchor | positive | negative | |:--------|:----------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------| | type | string | string | string | | details | <ul><li>min: 9 tokens</li><li>mean: 23.09 tokens</li><li>max: 88 tokens</li></ul> | <ul><li>min: 34 tokens</li><li>mean: 355.74 tokens</li><li>max: 512 tokens</li></ul> | <ul><li>min: 55 tokens</li><li>mean: 338.33 tokens</li><li>max: 512 tokens</li></ul> |
• —Samples: | anchor | positive | negative | |:------------------------------------------------------|:--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | <code>국회세종의사당 건립을 위한 법안을 누가 새로 제안했어</code> | <code>국민의힘 정진석 의원(공주·부여·청양)이 국회세종의사당 설치를 위한 '국회법' 일부개정법률안을 대표발의했다고 21일 밝혔다. 국회와 세종시 정부청사와의 물리적인 거리로 세종시 공무원의 관외 출장비는 3년간 917억원에 달한다. 출장횟수는 87만회에 달하고 있어 업무 불편과 비효율성 심화는 물론 정책 질 저하도 우려되는 실정이다. 개정안은 △서울시에 국회서울의사당을, 세종시에 국회세종의사당을 두도록 하고 △상임위원회는 국회세종의사당에 두는 것으로 하되, 국회운영위원회와 정보위원회 및 세종시로 이전하지 않은 부(部)를 소관하는 상임위원회는 국회서울의사당에 둘 수 있도록 했다. 행복도시법에 따른 이전 제외 대상 부처는 외교부, 통일부, 법무부, 국방부, 여성가족부 등 5곳이다. 또 예산결산특별위원회와 국회예산정책처는 세종시에 두도록하고 국회사무처, 국회도서관, 국회입법조사처는 국회세종의사당에 별도 기관을 둘 수 있도록 했다. 정진석 의원은 "여야 합의로 세종의사당 설계비 147억원이 확정됐고 지난 2월 국회 운영위원회 공청회에서 나온 의견들을 다듬어 법의 완성도를 높인 개정안인 만큼, 여야 합의를 통해 21대 국회 임기 중에 첫 삽을 뜰 있도록 최선을 다하겠다"고 말했다.</code> | <code>새로 들어온 법률안 등 - 2014. 5. 15. 의안접수현황 -<br>□ 국회사무처(사무총장직무대리 임병규)는 2014년 5월 15일(목) 전병헌의원 등18인이 발의한 “방송법 일부개정법률안”, 서청원의원 등 12인이 발의한 “세월호 4ㆍ16사고 반성과 진상조사 및 국가재난방지체계 혁신을 위한 특별법안” 등 12건의 법률안과 “국회의원(남경필) 사직의 건”을 포함하여 총 13건의 의안이 접수되었다고 밝혔다. 접수된 의안 중 법률안은 앞으로 미래창조과학방송통신위원회 등 소관 위원회에 회부되어 심사될 예정이다. □ 어제 접수된 법률안 중 주요내용을 소개하면 다음과 같다. - 방송법 개정안(전병헌의원 대표발의): 홈쇼핑 사업자가 그 지위를 이용하여 납품업체에게 불공정 계약을 강요하거나 부당이익을 취득한 경우 허가취소나 업무 정지 등의 제재를 할 수 있도록 하려는 것임. - 세월호 4ㆍ16사고 반성과 진상조사 및 국가재난방지체계 혁신을 위한 특별법안(서청원의원 대표발의): 세월호 참사에 대한 진상조사, 피해자 보상ㆍ배상 및 지원 대책, 재발방지 대책을 심의ㆍ의결하기 위하여 국회에 특별위원회를 구성하도록 하려는 것임.</code> | | <code>어떤 국가가 과반수의 표를 확보해야 중의원 의장이 될 수 있게 정해 놨어</code> | <code>3. 일본<br>가. 의장 선출<br>□ 중의원 의장은 중의원 선거 후 최초 집회일에 열리는 회의에서 중의원 의원의 무기명 투표에 의해 직선으로 선출됨(「국회법」제6조, 「중의원규칙」제3조, 제8조)<br>○ 의장 선거는 전체 의원의 3분의 1 이상이 참석해서 사무총장이 의장의 직무대행을 하여 실시함(「국회법」제7조)<br>○ 의장으로 당선되기 위해서는 과반수 득표를 해야 하므로, 1차 투표에서 총 투표수의 과반수를 획득한 득표자가 없으면, 최다득표자 2인에 대하여 결선투표를 실시함<br>○ 결선투표에서 두 후보자의 득표수가 같은 경우 추첨으로 당선인이 결정됨<br>○ 중의원 의장의 임기는 4년이나, 임기 중에 해산에 의해서 모든 중의원 의원이 지위를 잃으면, 의장도 그 지위를 상실함<br>□ 의장 선거절차는 중의원 규칙에서 정하는 것 외에, 제1회 일본 제국의회에서 정한 ‘의장 후보자 선거절차수칙’을 따르고 있음 ○ 의장 선출은 선거 전에 각 회파(교섭단체에 해당) 간의 대화로 미리 후보자가 결정되지만, 공식절차상으로는 각 의원의 본회의에서 선거로 선임함<br>○ 1970년대 중반까지는 집권여당이 국회의장과 부의장을 모두 독점하였으나, 제79회 국회(1976년) 이후 중의원 국회의장은 여당 제1당에서, 국회부의장은 야당 제1당(제2당)에서 선출하는 관행이 정착되었음. 그러나 1993년 연립정권 성립 후에는 중의원에서 자민당이 제1당이면서 여당이 아니었기 때문에 여당 간에 의장직을 둘러싸고 다툼이 있었음</code> | <code>이에 반해 비례대표제에는 중선거구제 내 선호순위를 표시하는 단기이양투표(single transferable vote, 예: 아일랜드, 몰타), 정당이 후보 명부를 제시하고 당선자를 득표율대로 결정해나가는 명부식 비례대표제(list proportional representation system, 예: 벨기에, 스웨덴, 덴마크 등)가 있다. 대표적인 명부식 비례대표제는 다시 전국을 하나의 선거구로 사용하는 전국통합구제도(이스라엘, 네덜란드)와 선거구를 권역별로 나누되, 불비례성을 전국구 의석으로 보정하는 권역다층선거구제도(스웨덴, 핀란드, 포르투갈, 스페인) 등으로 나뉜다. 이러한 명부식 비례제는 기계적 효과나 제조된 과반 효과가 없고 비례성이 매우 높은 특징을 지닌다. 군소정당도 당선자를 배출할 수 있고 대표성도 향상된다. 원내 정당의 난립을 막기 위해 봉쇄조항(threshold, 3~5%의 정당득표율)을 두기도 한다.</code> | | <code>1분기 코로나 예방접종을 약 2000명에게 시행할 건 누구야</code> | <code>부산 동래구(구청장 김우룡)는 코로나19 예방접종의 차질 없는 추진을 통한 빠른 일상회복을 위해 코로나19 예방접종 계획을 마련하고, 이달 말 1분기 대상자 2000여명을 대상으로 ‘코로나19 예방접종’을 시작한다고 밝혔다. 코로나19 예방접종 추진기간은 인플루엔자 유행시기인 11월 이전까지로, 접종대상은 18세 이상 전 구민이며, 임신부 및 만 18세 미만 소아·청소년, 65세 이상 고령자는 임상시험 결과에 따라 추후 접종 여부 및 시기가 결정된다. 동래구는 △과학적 근거를 기반으로 안전하고 효과적인 접종 추진 △코로나19의 사망예방 및 지역 사회 전파 차단을 위하여 전 구민의 70%인 189천여 명을 목표로 예방접종을 추진할 계획이다 1분기 우선 접종대상자는 △요양병원·요양시설입원·입원자, 종사자 △고위험 의료기관종사자, 코로나 1차 대응요원 △정신요양·재활시설 등 입소자·종사자 등 2000여 명이며, 백신 배송 등 일정을 조율해 26일부터 병원은 자체접종, 시설은 보건소 방문팀·시설별 협약의료기관 또는 계약된 의사가 방문 접종할 계획이다. 단계별 예방접종 기관은 △7월 개소 예정인 예방접종센터(사직실내체육관) △위탁의료기관 △방문접종 △자체접종 △내소접종을 병행하며, 위탁의료기관 정보는 질병관리청 코로나19 백신 및 예방접종 홈페이지에서 확인할 수 있다. 또한 동래구는 지난 4일 코로나19 예방접종 추진단을 운영 중이며, 22일 민·관·군과 병협·의협·간협 및 민간 등으로 구성된 민-관 협력체계인 ‘동래구 코로나19 예방접종 지역협의체’를 발족하여 전 구민의 코로나19 예방접종의 차질 없는 추진을 위해 최선을 다하고 있다. 김우룡 동래구청장은 “코로나19 예방접종은 전 국민 대상의 대규모 사업으로 관의 철저하고 꼼꼼한 계획과 함께 주민과 유관기관의 협조가 반드시 필요하다”며 “안전하고 신속한 예방접종을 추진을 위해 최선을 다하겠다”고 말했다.</code> | <code>문재인 대통령과 김정숙 여사가 오는 23일 아스트라제네카의 코로나19 백신을 공개 접종한다. 또 일반인에 대한 백신 접종 시기가 빨라지고, 교사의 경우 2분기에 접종을 받는다. 강민석 청와대 대변인은 15일 브리핑에서 문 대통령 부부의 백신 접종 계획을 설명하면서 “오는 6월 영국 G7(주요 7개국) 정상회의 참석, 즉 필수목적 출국을 위한 것”이라며 “질병관리청의 예방 접종 절차에 따른 것”이라고 설명했다. 공무 등으로 해외 출장을 하는 공무원은 우선 접종 대상이다. 강 대변인은 “문 대통령이 우선 접종하는 것은 일각의 안정성, 효과성 논란을 불식시키고 솔선수범하겠다는 의미”라고 덧붙였다. 3분기 예정이었던 일반인들에 대한 접종 시기도 빨라져, 고령층에 대한 접종이 4월부터 시작된다. 15일 코로나19 예방접종 대응추진단에 따르면 2분기 코로나19 백신 예방접종은 △요양병원 및 요양시설 △코로나19 취약시설 입소자 및 종사자 △65세 이상 어르신 △학교 및 돌봄 공간 △만성질환자 △보건의료인과 사회필수인력 등 6개군을 대상으로 진행한다. 이에 따라 4월 첫 주부터 75세 이상 어르신 364만 명에 대한 접종이 예방접종센터에서 실시된다. 65세부터 74세까지의 494만여 명은 6월부터 위탁의료기관에서 접종이 이뤄질 예정이다. 학교 돌봄 공간도 2분기 접종 대상이다. 4월 중 특수교육과 장애아보육 5만 1000명, 유치원과 학교 내 보건교사와 어린이집의 간호인력 1만 3000명에 대한 접종이 이뤄진다. 6월에는 유치원과 어린이집, 초등학교 1‧2학년을 담당하는 교사, 교직원, 관련 종사자 49만 1000명이 단계별로 접종을 받는다. 노인‧장애인‧노숙인시설 등의 거주‧이용시설 접종도 2분기 중 진행할 예정이지만, 아직 정확한 시기는 미정이다. 한편 15일 0시 기준 부산의 코로나19 예방백신 접종자는 4만 5897명으로 우선 접종 대상자 6만 310명의 72.8%가 접종을 마쳤다. 근육통, 발열 등 이상 반응 사례는 모두 589건이다.</code> |
• —Loss: <code>MultipleNegativesRankingLoss</code> with these parameters:

  {
      "scale": 20.0,
      "similarity_fct": "cos_sim"
  }

Evaluation Dataset

Unnamed Dataset

• —Size: 10,000 evaluation samples
• —Columns: <code>anchor</code>, <code>positive</code>, and <code>negative</code>
• —Approximate statistics based on the first 1000 samples: | | anchor | positive | negative | |:--------|:-----------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------| | type | string | string | string | | details | <ul><li>min: 9 tokens</li><li>mean: 22.86 tokens</li><li>max: 115 tokens</li></ul> | <ul><li>min: 20 tokens</li><li>mean: 351.34 tokens</li><li>max: 512 tokens</li></ul> | <ul><li>min: 93 tokens</li><li>mean: 346.69 tokens</li><li>max: 512 tokens</li></ul> |
• —Samples: | anchor | positive | negative | |:--------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | <code>릴레이로 이번주 TV와 라디오 방송 출연을 확정한게 누구야?</code> | <code>▲ 사진=롯데엔터테인먼트 제공 영화 완벽한 타인의 주역 유해진, 조진웅, 이서진, 염정아가 릴레이로 이번주 TV와 라디오 방송 출연을 확정했다. 완벽한 타인은 완벽해 보이는 커플 모임에서 한정된 시간 동안 핸드폰으로 오는 전화, 문자, 카톡을 강제로 공개해야 하는 게임 때문에 벌어지는 예측불허 이야기를 담은 작품이다. 완벽한 타인에서 완벽한 연기를 펼친 배우들은 이번 주 릴레이로 TV와 라디오 방송 출연을 확정하며 열일 행보를 펼친다. 먼저 오는 24일 오후 7시 MBC FM영화음악 한예리입니다에는 유해진과 염정아가 함께 출연한다. 간첩, 전우치에 이어 세 번째로 함께 호흡을 맞춘 두 사람은 이번 라디오 출연에서 영화에 대한 이야기를 나누며 걸출한 입담과 절친 케미스트리를 선보일 것으로 보인다. 이어 이번 영화로 처음 만나 절친이 된 유해진, 조진웅, 이서진이 25일 오후 11시 10분 KBS2 해피투게더4에 출연한다. 세끼 인연 유해진과 이서진, 그리고 조진웅의 예능감이 유감없이 발휘될 예정이다. 마지막으로 26일에는 MBC 배철수의 음악캠프에서 이서진을 만날 수 있다. 완벽한 타인에서 가장 파격적인 연기 변신을 선보인 그는 음악캠프 특별 DJ로 활약했던 인연으로 이번 출연이 성사됐다. 이서진은 거침없는 언변으로 영화 완벽한 타인의 현장 비하인드 스토리를 밝힐 예정이다. 한편 완벽한 타인은 오는 31일 개봉을 앞두고 있다.</code> | <code>그룹 세븐틴이 미국 간판 토크쇼 ‘엘렌 쇼’에 첫 출연을 확정 지었다. 세븐틴은 다음 달 1일(현지 시각) 방송되는 미국 토크쇼 ‘엘렌 드제너러스 쇼’(이하 엘렌 쇼)에 첫 출연을 확정 지어 전 세계 팬들의 폭발적인 반응을 얻었다. 이날 방송에서 세븐틴은 지난 2019년 8월 발매한 디지털 싱글 ‘HIT’ 무대를 선보인다. ‘HIT’는 제목처럼 타격감이 느껴지는 사운드와 세븐틴의 폭발적인 에너지가 그대로 전해지는 강렬한 EDM 장르의 댄스곡으로 발매와 동시에 국내는 물론 해외에서도 큰 사랑을 받았다. ‘엘렌 쇼’는 미국 유명 코미디언이자 작가, 배우 등 멀티 엔터테이너인 엘렌 드제너러스가 진행하는 토크쇼로 브루노 마스, 두아 리파, 존 레전드, 저스틴 비버 등 세계적인 팝스타들이 대거 출연해 화제를 모았으며 미국의 데이타임 쇼 중 높은 인기를 보유하고 있는 프로그램이다. 앞서 세븐틴은 지난 1월 방송된 미국 CBS ‘제임스 코든 쇼’와 NBC ‘켈리 클락슨 쇼’에 연달아 출연해 스페셜 앨범 타이틀곡 ‘HOME;RUN’과 미니 7집 타이틀곡 ‘Left & Right’의 무대를 선사, 막강한 글로벌 영향력을 확인 시켜 주며 전 세계 팬들과 해외 유수 매체의 호평 세례를 받았다. 이렇듯 세븐틴은 스토리텔링이 담긴 완성도 높은 무대와 세븐틴만이 할 수 있는 퍼포먼스를 선보여 ‘K팝 퍼포먼스 강자’라는 칭호를 얻는 등 전 세계를 열광시킨 바 있어 이번 ‘엘렌쇼’에서 어떤 무대를 선보일지 기대감이 치솟고 있다. 한편 세븐틴이 출연하는 미국 토크쇼 ‘엘렌 쇼’는 다음 달 1일(현지 시각)에 만나볼 수 있다.</code> | | <code>벡터맵 빈 분류 기반의 제안기법은 무엇에 비하여서 압출효율이 높다는 것을 표 4에서 알 수 있어?</code> | <code><h1>IV. 실험 결과</h1><p>제안한 빈 분류기반 벡터맵 압축 기법에 대한 성능 평가를 위한 실험을 수행하였다. 실험을 위해 그림 10 과 같이, \( 10 \mathrm{~km} \times 10 \mathrm{~km} \) 의 국부 영역을 갖는 벡터맵 레이어를 생성하였으며, 이 중 폴리곤으로 구성된 '건물' 레이어와 폴리라인으로 구성된 '일반도로’ 레이어에 대해 각각의 실험을 수행하였다. 또한 TM 좌표계에 의해 표현되는 실측치 \( 1 \mathrm{~cm} \) 이내의 오차를 갖도록 식 (1)의 \( c=100 \) 으로 설정하여 정밀 벡터맵 압축에 대해 결과를 도출하였다. 또한 \( 10 \mathrm{~km} \times 10 \mathrm{~km} \) 영역에서 \( 1 \mathrm{~cm} \) 정밀도를 갖는 벡터맵 데이터의 최적의 압축효율을 위해, 실험적으로 dist \( {D B}=10 \mathrm{~m} \) 및 dist \( { }{A B}=0.64 \mathrm{~m} \) 로 결정하였다.</p><p>제안 기법의 객관적 비교를 위해 일반적인 데이터 압축기법으로서 7-zib 알고리즘, 대표적인 벡터 간소화 알고리즘으로서 Douglas-Peucker 알고리즘[16] 및 기존의 공간 에너지집중 기반에서의 압축 알고리즘등과 압축 결과를 비교하였다. 표 4 에 각각의 알고리즘 에 대한 압축 결과를 나타내었다.</p><p>표 4 의 결과로부터 벡터맵의 특성을 고려하지 않은 7-Zip과 비교하였을 때, 각 좌표점들의 오차범위로 \( 0.01 \mathrm{~m} \) 미만을 갖는 벡터맵 빈 분류 기반의 제안 기법이 월등히 높은 압축효율을 가짐을 확인하였다. 한편, 벡터 간소화 기법을 사용하는 Douglas-Peucker 알고리즘과 제안 알고리즘은 압축원리가 상이하므로 RMSE(root mean square error) 등의 방법을 통한 직접적인 비교는 어렵다. 또한 제안 기법과의 비교를 위해 Douglas-Peucker 알고리즘의 정밀도 범위 \( \epsilon=0.01 \mathrm{~m} \) 로 설정하게 되면, 각 좌표점들의 간소화 조건이 대부분 만족하지 않으므로 실제 간소화를 통한 압축은 거의 이루어지지 않는다. 따라서 그림 10의 벡터맵 레이어에서 시각적으로 용인할 수 있을 것으로 간주되는 적정 임계치 \( \epsilon=1 \mathrm{~m} \) 로 설정하여 압축을 수행하였다. 표 4의 실험 결과는 이때의 압축 결과를 나타낸 것이다. 그림 11은 벡터맵을 확대하였을 때, 표 4 의 압축 효율에 대해 제안 알고리즘과 Douglas-Peucker 알고리즘의 시각적 오차를 비교한 것이다.</p><p>표 4와 그림 11로부터 제안 기법이 Duglas-Peucker 알고리즘보다 월등히 적은 시각적 오차를 가짐에도 불구하고 보다 높은 압축효율을 나타냄을 확인할 수 있다. 더욱이, 표 4에서 Duglas-Peucker 알고리즘의 특성상 연속한 좌표점들이 급격히 꺽히는 오브젝트들의 집합인 '건물' 레이어에서 압축효율의 저하가 발생한다. 반면. 제안 기법은 Duglas-Peucker 알고리즘에서와 같은 압축효율의 저하는 발생하지 않음을 확인하였다. 공간영역에서의 에너지 집중(SEC)을 이용한 기존방법과의 비교에서 역시 제안 알고리즘이 보다 우수한 압축 효율을 가짐을 알 수 있었다. 또한 에너지 집중 이후 실질적 데이터 압축을 위한 엔트로피 코딩으로써 zlib 또는 7-zip 알고리즘을 이용하는 기존 기법과는 달리, 제안 기법은 압축 과정의 일부로써 정의된 단순한 허프만 테이블을 참조하므로 계산 복잡도에서 큰 이점을 얻을 수 있다. </p></code> | <code><h1>VI. 결 론</h1><p>본 논문에서는 집적 영상을 효율적으로 압축하기 위한 3D-DCT 기반의 압축 방법을 제안하였다. 제안한 방법은 집적 영상이 촬영 물체나 촬영 방법에 따라 다양한 특성을 가지는 특성을 바탕으로, 적응적으로 3D-DCT 블록을 구성하는 방법과 각 3D-DCT 블록별로 가변 블록 크기 3D-DCT를 수행하는 방법이다. 제안 방법은 영상 특성에 따라 최적의 3D-DCT를 수행하기 때문에 기존의 방법보다 뛰어난 성능을 보여준다. 제안 방법은 기존의 3D-DCT 방법과 비교해서 각 영상별로 동일 비트량에서 약 \( 1 \mathrm{~dB} \)에서 \( 2 \mathrm{~dB} \)의 PSNR 향상 효과를 보여주었다. </p><p>본 논문에서 제안된 방법은 여러 가지 블록 모드를 정의하고 그 중 최적의 모드를 선택하는 과정을 수행하므로 이에 따른 계산량의 증가를 초래한다. 블록 모드의 개수가 증가할수록 계산량의 그 개수에 정비례하여 증가하므로 이의 개선을 위한 연구가 추가적으로 필요하다. 또한 보다 효율적인 오버헤드 비트 부호화를 통해 추가적인 압축 효율 향상을 기대할 수 있다. </p></code> | | <code>대면하지 않고 진료에서 약 배달까지 해주는 처방솔루션은 뭐야</code> | <code>비대면 진료 서비스에 기반한 브랜드 페어(pare)는 올해 초부터 비대면 진료와 처방을 모바일로 쉽고 빠르게 받을 수 있게 하고, 처방받은 약은 집까지 배송해 주는 서비스를 국내 환자와 재외국민들을 위해 시작했다. 페어는 의사의 처방을 통해서만 구매가 가능한 의사의 솔루션을 페어만의 브랜드 감성을 깃들여 환자에게 노출한다. 이는 기존의 처방약이라는 고질적인 부분을 소비자 감성 브랜드로 승화해 환자와 소비자의 벽을 허무는 국내 최초의 전문처방 솔루션 비즈니스 모델이다. 또한, 플랫폼 내 처방이 필요하지 않은 일반 건강기능식품을 통한 사후관리 서비스도 제공한다. 강신욱 대표는 “페어만의 브랜드 감성과 의사들의 전문성이 실린 솔루션을 집까지 배송해 주는 게 특징”이라며 “처방약뿐만 아니라 진료에 따른 맞춤형 건강관리제품을 추천 혹은 패키지로 받아 볼 수 있는 국내 최초 비대면 진료 기반의 커머스형 처방솔루션”이라고 강조했다.</code> | <code>국민 의약품 구입 불편 해소 방안 관련 의약품 재분류 논의 시작<br>국가별 의약품 분류체계 <table><tbody><tr><td>분류</td><td>국명</td><td>처방약(처방필수)</td><td>비처방약</td><td>비고</td></tr><tr><td rowspan='3'>2분류</td><td>한국</td><td>- 전문의약품</td><td>- 일반의약품</td><td rowspan='2'>의약외품은 판매장소 제한 없음 </td></tr><tr><td>일본</td><td>- 의료용의약품(E): 의사의 처방에 의해서만 조제·판매</td><td>- 일반용의약품(OTC) : 약국 외에서도 제한적으로 판매</td></tr><tr><td>미국</td><td>- 처방의약품(Rx): 연방법에 의해 처방전 없이 조제하는 것을 금한다는 표시가 있음 </td><td>- 비처방의약품(OTC): 약국 및 약국 외에서 자유롭게 판매 <br>※ 제산제, 비타민, 치질, 해열진통제 등</td><td rowspan='3'>일반약 전체, 또는 일부 약국외 판매 허용</td></tr><tr><td rowspan='2'>3분류</td><td>영국</td><td>- 처방약(POM): 의사의 처방에 의해서만 조제·판매</td><td>- 약국약(P) : 처방없이 약국에서 판매 가능<br>- 자유판매품목(GSL): 약국 외에서도 판매 가능 <br>※ 어린이용 아스피린, 구충제, 관장약 등 제외</td></tr><tr><td>독일</td><td>- 처방약(Rp): 처방전이 필요하며 약국을 통해서만 판매 </td><td>- 약국약(Ap): 처방을 요하지 않고 약국에서 판매가능<br>- 자유판매품목(F):약국 외에서도 판매가능 <br>※ 민간치료약초, 저함량비타민·미네랄 등</td></tr><tr><td rowspan='3'>4분류</td><td>프랑스</td><td>- 처방약 list Ⅰ: 의사의 처방을 필요로 하며 처방자의 허가 없이 반복 사용할 수 없고, 약사는 판매상황을 기록<br>- 처방약 list Ⅱ: 환자의 요청이 있을 때 2달까지 처방전을 반복 사용<br>- 특별처방약Stupefiants : 의사는 일련번호가 붙은 양식에 의해 처방하며 약사는 판매상황을 기록</td><td>- 비처방약 (대중광고 가능) : 대중광로를 하는 약으로 사회 건강보험대상에서 제외 </td><td>의약품 약국 외 판매 불허</td></tr><tr><td>캐나다</td><td>- 처방약 (P) : 처방에 의해서 약국에서만 판매</td><td>- 약사약 (BTC) : 처방없이 약국에서 약사만이 판매할 수 있음 <br>- 약국진열약 (OTC) : 약국에서 자유롭게 진열하여 판매할 수 있는 약으로서, 대중광고 허용<br>- 자유판매약(OTP) : 약국 이외에서도 판매되는 약</td><td rowspan='2'> </td></tr><tr><td>스위스</td><td>- 처방약 list Ⅰ : 약품 명단을 법률로 정하며, 처방전 반복사용 금지<br>- 처방약 list Ⅱ : 약사의 반복 처방 가능</td><td>- 비처방약 list Ⅲ (약국약), list Ⅳ (약종상약), list Ⅴ (자유판매약<br>)- list Ⅳ 와 list Ⅴ는 대중광고 허용</td></tr></tbody></table></code> |
• —Loss: <code>MultipleNegativesRankingLoss</code> with these parameters:

  {
      "scale": 20.0,
      "similarity_fct": "cos_sim"
  }

Training Hyperparameters

Non-Default Hyperparameters

• —eval_strategy: steps
• —per_device_train_batch_size: 16
• —per_device_eval_batch_size: 16
• —learning_rate: 5e-06
• —max_grad_norm: 5.0
• —num_train_epochs: 10
• —warmup_steps: 500
• —dataloader_drop_last: True

All Hyperparameters

<details><summary>Click to expand</summary>

• —overwrite_output_dir: False
• —do_predict: False
• —eval_strategy: steps
• —prediction_loss_only: True
• —per_device_train_batch_size: 16
• —per_device_eval_batch_size: 16
• —per_gpu_train_batch_size: None
• —per_gpu_eval_batch_size: None
• —gradient_accumulation_steps: 1
• —eval_accumulation_steps: None
• —torch_empty_cache_steps: None
• —learning_rate: 5e-06
• —weight_decay: 0.0
• —adam_beta1: 0.9
• —adam_beta2: 0.999
• —adam_epsilon: 1e-08
• —max_grad_norm: 5.0
• —num_train_epochs: 10
• —max_steps: -1
• —lr_scheduler_type: linear
• —lr_scheduler_kwargs: {}
• —warmup_ratio: 0.0
• —warmup_steps: 500
• —log_level: passive
• —log_level_replica: warning
• —log_on_each_node: True
• —logging_nan_inf_filter: True
• —save_safetensors: True
• —save_on_each_node: False
• —save_only_model: False
• —restore_callback_states_from_checkpoint: False
• —no_cuda: False
• —use_cpu: False
• —use_mps_device: False
• —seed: 42
• —data_seed: None
• —jit_mode_eval: False
• —use_ipex: False
• —bf16: False
• —fp16: False
• —fp16_opt_level: O1
• —half_precision_backend: auto
• —bf16_full_eval: False
• —fp16_full_eval: False
• —tf32: None
• —local_rank: 0
• —ddp_backend: None
• —tpu_num_cores: None
• —tpu_metrics_debug: False
• —debug: []
• —dataloader_drop_last: True
• —dataloader_num_workers: 0
• —dataloader_prefetch_factor: None
• —past_index: -1
• —disable_tqdm: False
• —remove_unused_columns: True
• —label_names: None
• —load_best_model_at_end: False
• —ignore_data_skip: False
• —fsdp: []
• —fsdp_min_num_params: 0
• —fsdp_config: {'minnumparams': 0, 'xla': False, 'xlafsdpv2': False, 'xlafsdpgrad_ckpt': False}
• —fsdp_transformer_layer_cls_to_wrap: None
• —accelerator_config: {'splitbatches': False, 'dispatchbatches': None, 'evenbatches': True, 'useseedablesampler': True, 'nonblocking': False, 'gradientaccumulationkwargs': None}
• —deepspeed: None
• —label_smoothing_factor: 0.0
• —optim: adamw_torch
• —optim_args: None
• —adafactor: False
• —group_by_length: False
• —length_column_name: length
• —ddp_find_unused_parameters: None
• —ddp_bucket_cap_mb: None
• —ddp_broadcast_buffers: False
• —dataloader_pin_memory: True
• —dataloader_persistent_workers: False
• —skip_memory_metrics: True
• —use_legacy_prediction_loop: False
• —push_to_hub: False
• —resume_from_checkpoint: None
• —hub_model_id: None
• —hub_strategy: every_save
• —hub_private_repo: False
• —hub_always_push: False
• —gradient_checkpointing: False
• —gradient_checkpointing_kwargs: None
• —include_inputs_for_metrics: False
• —eval_do_concat_batches: True
• —fp16_backend: auto
• —push_to_hub_model_id: None
• —push_to_hub_organization: None
• —mp_parameters:
• —auto_find_batch_size: False
• —full_determinism: False
• —torchdynamo: None
• —ray_scope: last
• —ddp_timeout: 1800
• —torch_compile: False
• —torch_compile_backend: None
• —torch_compile_mode: None
• —dispatch_batches: None
• —split_batches: None
• —include_tokens_per_second: False
• —include_num_input_tokens_seen: False
• —neftune_noise_alpha: None
• —optim_target_modules: None
• —batch_eval_metrics: False
• —eval_on_start: False
• —eval_use_gather_object: False
• —batch_sampler: batch_sampler
• —multi_dataset_batch_sampler: proportional

</details>

Training Logs

<details><summary>Click to expand</summary>