Shovon Sengupta, Bhanu Pratap, Amit Pawar 세 연구자가 머신러닝을 활용하여 인도의 비선형 필립스 곡선을 분석한 결과, 기존 모델보다 정확한 인플레이션 예측과 주요 원인 규명에 성공했습니다. 이 연구는 인도 정부의 효과적인 경제 정책 수립에 기여할 것으로 기대됩니다.

Eugen Barbulescu와 Antonio Alexoaie가 개발한 Hyperflows는 딥러닝 네트워크의 가지치기를 위한 혁신적인 방법으로, 네트워크의 기울기 반응을 통해 가중치의 중요도를 평가하고 극단적인 희소성 수준에서도 최첨단 성능을 달성합니다. ResNet-50과 VGG-19를 사용한 실험 결과는 Hyperflows의 효율성과 잠재력을 입증합니다.

Ivan Ilin과 Peter Richtarik이 개발한 Thanos 알고리즘은 블록 단위 가지치기와 적응형 마스크를 사용하여 대규모 언어 모델의 효율적인 압축을 달성합니다. 하드웨어 가속에 최적화된 구조적 희소성 패턴을 지원하며, 실험 결과 기존 방법들을 능가하는 성능을 보였습니다.

Han Lei 등 연구진은 GCN의 이종친화적 그래프 성능 저하 문제를 해결하기 위해, IntraNet과 InterNet을 결합한 DivGNN 모델을 제안했습니다. 범주 내외 정보를 차별적으로 학습하여 그래프 수준 분류 성능을 크게 향상시켰으며, 기존 GNN 모델을 능가하는 결과를 보였습니다.

AROMA는 거대 언어 모델의 매개변수 효율적인 미세 조정을 위한 혁신적인 방법으로, 계층별 최적의 계급(rank)을 자동으로 결정하여 기존 방법의 한계를 극복하고 자원 효율성과 성능 향상을 동시에 달성합니다. 이는 AI 모델 개발의 새로운 지평을 열 것으로 기대됩니다.