Feng Zhu, Aritra Mitra, Robert W. Heath 연구진은 이종 에이전트와 마르코프 데이터를 고려한 분산 확률적 근사 문제에 대한 새로운 알고리즘 FedHSA를 제시했습니다. FedHSA는 투영 단계 없이 유한 시간 내 수렴을 보장하며, 샘플 복잡도를 크게 개선합니다. 이는 분산 강화학습 분야에 중요한 발전입니다.

Auto-Prep 시스템은 2000개 이상의 실제 BI 프로젝트 데이터를 기반으로 데이터 변환 및 조인 단계를 70% 이상의 정확도로 예측하는 AI 시스템입니다. GPT-4를 포함한 기존 방법보다 뛰어난 성능을 보이며, 자체 서비스 BI의 데이터 준비 과정을 효율화하는 데 크게 기여할 것으로 기대됩니다.

Ozan İrsoy 등 연구진의 연구는 지시 모델의 과도한 지시 조정이 맥락 내 몇 샷 학습 성능을 저하시킬 수 있음을 밝히고, 부분적 적응 방법을 통해 이 문제를 해결할 수 있음을 제시했습니다. 지시 따르기 능력과 맥락 내 학습 능력 사이의 균형이 중요하다는 점을 강조하며 AI 모델 개발에 새로운 시각을 제공합니다.

전주, 박재현, 박세원, 최정환, 김민정, 박노성 연구원 팀은 시간 시계열 예측 모델과 데이터 기반 이상 탐지 모델을 결합한 새로운 이상 탐지 모델을 개발했습니다. 이 모델은 예측 불가능한 이상까지도 효과적으로 탐지하며, 공개된 소스 코드를 통해 다른 연구자들의 활용 및 발전을 촉진할 수 있습니다.

Gemma E. Moran과 Bryon Aragam의 논문은 딥러닝 기반 생성형 AI의 해석 가능성 문제를 해결하기 위해 인과 표현 학습(CRL)이라는 새로운 접근법을 제시합니다. CRL은 잠재 변수 모델, 인과 그래프 모델, 비모수 통계 및 딥러닝을 통합하여 유연하고 해석 가능하며 전이 가능한 생성형 AI를 구축하는 것을 목표로 합니다. 이 논문은 CRL의 통계적 기반과 미해결 과제를 함께 제시하며, 생성형 AI의 신뢰성과 투명성 향상에 기여할 것으로 기대됩니다.