이승훈, 박진영, 주재원, 윤민서, 김현우 교수 연구팀은 잠재 베이지안 최적화(LBO)의 한계를 극복하기 위해 정규화 흐름 기반의 새로운 베이지안 최적화 기법(NF-BO)을 제안했습니다. 특히, 순차 데이터를 위한 자동회귀 정규화 흐름(SeqFlow)과 동적 탐색 확률 조절 전략을 통해 분자 생성 작업에서 뛰어난 성능을 달성했습니다.

본 연구는 VAE와 ViT 인코더를 이용한 차원 축소 기법을 비교 분석하여 IoT 봇넷 탐지 성능 향상에 기여했습니다. 실험 결과, VAE 기반 차원 축소가 데이터 특성에 더 적합하며, 향후 IoT 보안 강화에 중요한 역할을 할 것으로 예상됩니다.

KAIST 연구진이 개발한 ReSpec은 온라인 학습 기반의 비디오-텍스트 데이터 필터링 프레임워크로, 데이터의 관련성과 특이성을 기반으로 필터링하여 효율성을 극대화합니다. 대규모 데이터셋 실험 결과, 기존 기술 대비 최고 성능을 달성하며 데이터 사용량을 최대 95%까지 줄였습니다.

Wang Jianhui 등 16명의 연구진이 개발한 Twin-Co 프레임워크는 사용자와의 상호 작용을 통해 이미지 생성 과정을 개선하는 혁신적인 기술입니다. 이를 통해 사용자 프롬프트의 모호성을 줄이고 이미지 품질을 향상시키는 동시에 사용자 경험을 개선합니다.

Liu Ziyi와 Liu Yangcen 연구팀이 개발한 PseudoFormer는 약지도 학습 기반 시간적 행동 지역화(WTAL)의 한계를 극복한 혁신적인 모델입니다. RickerFusion, 다중 수준 레이블 활용, 노이즈 레이블 처리 등의 핵심 기술을 통해 기존 방식보다 월등한 성능을 달성, AI 기반 영상 분석 기술의 발전에 크게 기여할 것으로 예상됩니다.