본 연구는 시스템 약리학 모델링에서 회색 상자 발견을 위한 PINNs와 PIKANs의 성능을 향상시키는 새로운 아키텍처와 최적화 전략을 제시합니다. 체계적인 실험을 통해 최적의 모델 구성과 교육 방법을 제안하며, 생의학 응용 분야에서의 실행 가능한 통찰력을 제공합니다.

BRepFormer는 변환기 기반의 새로운 모델로, 기존 기계가공 특징 인식(MFR)의 한계를 넘어 복잡한 기하학적 특징을 효과적으로 인식합니다. 20,000개 모델의 CBF 데이터셋을 활용한 실험 결과, MFInstSeg, MFTRCAD 데이터셋에서 최첨단 정확도를 달성했습니다.

Yuanyun Zhang과 Shi Li가 개발한 ChronoFormer는 의료 데이터의 시간적 복잡성을 해결하는 혁신적인 Transformer 아키텍처입니다. 시간적 임베딩, 계층적 어텐션 메커니즘, 도메인 특화 마스킹 기법을 활용하여, 사망률, 재입원, 장기적 동반 질환 발생 예측 등에서 기존 최첨단 방식보다 뛰어난 성능을 보였습니다. 임상적으로 의미 있는 장기간의 시간적 관계를 포착하는 능력을 통해 의료진의 의사결정에 중요한 통찰력을 제공할 것으로 기대됩니다.

Zhao, Chen, Sun 연구팀은 LLM을 활용한 시계열 예측의 정확도와 해석력을 향상시키는 다층적 텍스트 정렬 프레임워크를 개발했습니다. 시계열 데이터를 여러 요소로 분해하고 각 요소를 LLM과 정렬하여 예측 성능을 높였으며, 결과의 해석 가능성도 확보했습니다.

김철, 조인휘 교수 연구팀의 새로운 하이퍼파라미터 최적화(HPO) 방법론은 유전 알고리즘과 선형 서로게이트 모델의 결합을 통해 기존 방법의 한계를 극복하고, 탐색과 활용의 균형을 이루어 평균 1.89%의 성능 향상을 달성했습니다. 이는 AI 모델 성능 향상에 크게 기여할 것으로 기대됩니다.