Huixin Zhan과 Jason H. Moore의 연구는 딥러닝 기반 유전체 모델(GFMs)의 적대적 공격에 대한 취약성을 밝히고, SafeGenes 프레임워크를 통해 이러한 취약성을 평가하는 방법을 제시합니다. 연구 결과는 대규모 모델조차도 표적화된 공격에 취약하며, GFMs의 안전성 향상을 위한 추가 연구의 필요성을 강조합니다.

DriveMind는 비전-언어-지도 강화 학습 기반의 자율 주행 시스템으로, 기존 시스템의 한계를 극복하고 안전성과 해석력을 동시에 향상시켰습니다. CARLA 시뮬레이션 및 실제 카메라 데이터에서 우수한 성능을 보이며 자율 주행 상용화에 큰 기여를 할 것으로 기대됩니다.

장샹 등 연구진이 개발한 L3A 알고리즘은 다중 레이블 증분 학습에서 레이블 부재 및 클래스 불균형 문제를 해결하는 혁신적인 방법입니다. 기존 데이터 저장 없이 pseudo-label 생성 및 샘플별 가중치 부여를 통해 높은 성능을 달성하였으며, 실제 데이터셋에서 우수성을 입증했습니다.

중국과학원 연구진이 개발한 TrendAttack은 기존 그래프 언러닝 방법의 프라이버시 취약성을 폭로하는 공격 기법입니다. 삭제된 엣지를 재구성하는 데 성공하며, 그래프 신경망의 보안 강화 필요성을 강조했습니다.

ReasonTSC는 LLM의 추론 능력을 활용하여 시계열 분류 성능을 향상시킨 새로운 프레임워크로, 다중 턴 추론과 융합 의사결정 전략을 통해 기존 방법보다 우수한 성능과 플러그인 모델 오류 수정 능력을 보여줍니다.