Sun 등(2025)의 연구는 복잡한 동역학 시스템 제어의 어려움을 해결하기 위해 다중 충실도 강화학습(MFRL) 프레임워크를 제안합니다. 물리 기반 하이브리드 모델과 제한된 고충실도 데이터를 활용하여 계산 비용을 절감하고 정확도를 높이며, 스펙트럼 기반 보상 함수를 통해 학습 효율을 증대시킵니다. 실험 결과, MFRL은 기존 최첨단 기법보다 우수한 성능을 보였습니다.

Ajay Jaiswal 등 연구진의 논문 "Finding Fantastic Experts in MoEs"는 MoE 모델의 효율성을 높이기 위한 새로운 전략을 제시합니다. MC-Suite를 이용한 전문가 중요도 평가, 반복적인 전문가 삭제, 과제와 무관한 미세 조정, 그리고 지시 사항 준수 능력 회복 전략을 통해 더욱 효율적이고 강력한 MoE 모델 개발에 기여할 것으로 기대됩니다.

Li Yuxuan, Yang Ning, Xia Stephen이 개발한 시간 가중 대조 보상 학습(TW-CRL)은 희소 보상 및 고차원 상태 공간 문제를 해결하는 혁신적인 역 강화 학습(IRL) 프레임워크입니다. 성공 및 실패 사례와 시간 정보를 활용하여 함정 상태를 피하고 의미있는 탐색을 가능하게 하며, 탐색 및 로봇 조작 작업에서 기존 최고 성능을 뛰어넘는 결과를 보였습니다.

SoundVista는 제한된 마이크 정보만으로도 다양한 환경에서 현실감 넘치는 앰비언트 사운드를 합성하는 혁신적인 기술입니다. 시각-청각 정보 결합을 통해 사운드 소스에 대한 사전 지식 없이도 정확한 사운드를 생성하며, 공개 데이터 및 실제 환경 테스트에서 기존 기술 대비 월등한 성능을 보였습니다.

MicroNN은 메모리 제약 환경에서도 효율적인 벡터 검색을 가능하게 하는 혁신적인 임베디드 벡터 검색 엔진입니다. 실시간 업데이트와 복합 검색 기능을 통해 모바일 및 IoT 기기 기반 AI 애플리케이션의 발전에 크게 기여할 것으로 예상됩니다.