Yang Shenzhi 등 연구진이 개발한 NODESAFE는 그래프 신경망(GNN)의 이상치 탐지(OOD) 성능을 획기적으로 개선한 새로운 방법론입니다. 기존 방법의 극단값 문제를 해결하여 구조 조작 등 다양한 OOD 상황에서 기존 최고 성능 대비 22.7%~28.4% 향상된 성능을 달성했습니다.

Racheal Mukisa와 Arvind K. Bansal이 개발한 DADU 모델은 심장 자기공명영상(CMR)의 자동화된 의미론적 분할을 위한 혁신적인 딥러닝 모델입니다. UNet, 어텐션 메커니즘, 에지 감지 기반 스킵 연결, 심층 감독 학습을 통합하여 98%의 Dice 유사도 점수(DSC)를 달성, 기존 기술을 능가하는 성능을 보였습니다. 심장 질환 진단 및 치료의 정확성 향상에 크게 기여할 것으로 기대됩니다.

Lin, Tseng, Chen, Yoo 연구팀은 하이젠베르크 그림을 기반으로 한 적응형 비국소 관측값을 도입하여 양자 신경망의 성능을 크게 향상시키는 새로운 프레임워크를 제시했습니다. 이 연구는 기존 VQC의 한계를 극복하고 양자 머신러닝 분야의 발전에 중요한 기여를 할 것으로 기대됩니다.

Shimou Ling 등 연구진이 개발한 LoRAC-IPC는 기존 LoRA 기반 지속 학습의 한계를 극복하고, 중요 매개변수 동결 및 직교 LoRA 합성을 통해 망각 문제를 해결하며 최첨단 성능을 달성했습니다. Split CIFAR-100 데이터셋에서 뛰어난 성능 향상을 보였으며, 공개된 코드를 통해 폭넓은 활용이 기대됩니다.

중국과학원 연구진이 개발한 LangCoop은 자연어를 이용한 혁신적인 협업 자율주행 시스템으로, 기존 방식 대비 96%의 대역폭 감소와 경쟁력 있는 주행 성능을 동시에 달성했습니다. M³CoT와 LangPack이라는 핵심 기술을 통해 자율주행 기술의 패러다임 전환을 이끌 것으로 기대됩니다.