카토 마사히로 등 연구팀의 'Double PU learning'은 고객의 브랜드 충성도를 고려한 잠재 고객 예측 모델을 제시, 기존 PU learning의 한계를 넘어 마케팅 효율을 극대화하는 혁신적인 방법을 제시합니다. 단일 단계 최적화를 통해 실용성을 높였으며, 향후 마케팅 분야에 혁신적인 변화를 가져올 것으로 기대됩니다.

MINT는 테스트 시간 데이터 분포 변화에 강인한 시각-언어 사전 학습 모델을 위한 새로운 프레임워크입니다. 메모리 프롬프트 뱅크(MPB)를 통해 테스트 시간에 동적으로 프롬프트를 조정하여, 소스 데이터나 재훈련 없이 빠르고 정확한 적응을 가능하게 합니다.

이승한, 박태영, 이기복 연구원팀의 채널 정규화(CN) 연구는 시간 시계열 모델링에서 채널 식별 가능성(CID) 문제를 해결하기 위한 혁신적인 접근 방식을 제시합니다. CN은 각 채널에 고유한 매개변수를 할당하여 CID를 향상시키며, 적응형 CN(ACN)과 원형 CN(PCN)을 통해 더욱 다양한 상황에 적용 가능성을 높였습니다. 정보 이론적 분석과 공개된 코드를 통해 신뢰성과 접근성을 확보한 이 연구는 시간 시계열 분석 분야의 발전에 크게 기여할 것으로 기대됩니다.

Nicole Hsing의 연구팀이 개발한 MIRROR 아키텍처는 인간의 내적 독백을 모방하여 LLM의 성능을 크게 향상시켰습니다. CuRaTe 벤치마크에서 우수한 성능을 기록했으며, LLM의 주요 결함들을 해결하여 더욱 안전하고 효율적인 AI 시스템 구축에 기여할 것으로 기대됩니다.

Chamika Sudusinghe 등 연구진이 개발한 COGNATE 프레임워크는 전이 학습을 이용해 희소 텐서 프로그램의 하드웨어 가속을 획기적으로 개선했습니다. 일반 하드웨어 데이터로 훈련된 모델을 새로운 하드웨어에 적용하여 데이터 효율성을 높였으며, SpMM 및 SDDMM 연산에서 기존 기술 대비 상당한 속도 향상을 달성했습니다.