Parshuram N. Aarotale과 Ajita Rattani가 개발한 XMANet 모델은 STFT와 WT 변환을 활용하여 미세 입자 특징을 추출하고, CNN 전문가 간의 계층 간 상호 작용을 통해 저수준 및 고수준 특징을 통합함으로써 기존 모델 대비 향상된 EMG 기반 수족 동작 인식 성능을 보여주었습니다. Grabmyo와 FORS EMG 데이터셋을 사용한 실험 결과는 XMANet의 우수성을 입증하며, 의수 제어, 재활 치료, 인간-컴퓨터 상호작용 분야에 혁신적인 발전을 가져올 가능성을 시사합니다.

이시카와 신노스케와 요시노 아츠시 연구팀은 대형 언어 모델(LLM)의 감정 표현 능력을 러셀의 원형 모델을 이용한 실험을 통해 검증했습니다. 실험 결과, LLM은 지정된 감정 상태에 따라 일관된 감정 표현이 가능함을 보였으며, 이는 감정 기반 상호작용이 가능한 AI 에이전트 개발의 가능성을 열어줍니다.

본 연구는 라벨 없는 OOD 탐지 알고리즘의 실패 조건을 정보이론적으로 규명하고, 새로운 OOD 과제인 '인접 OOD 탐지'를 제시하여 자율주행 시스템 등 안전 중요 시스템의 신뢰성 향상에 기여할 것으로 기대됩니다.

He Yuting 등 연구진이 제안한 FedSSD는 비동일 분포 데이터 문제를 해결하는 새로운 연합 학습 방법으로, 선택적 자기 증류 기법을 통해 적은 통신 라운드로 높은 성능과 강건성을 달성했습니다. 이는 연합 학습의 실용성을 높이고, AI 발전에 크게 기여할 것으로 예상됩니다.

송은신 등 연구진이 개발한 Video-MMLU 벤치마크는 90개 이상의 LMM 모델을 평가하여 다분야 강의 이해 능력의 현주소를 보여주고, 시각적 토큰과 LLM 크기의 상호작용을 분석하여 향후 연구 방향을 제시합니다.