본 논문은 심층 학습과 RIS 기술을 결합하여 OFDM 레이더 간섭을 효과적으로 제거하는 새로운 프레임워크를 제시합니다. MUSIC 알고리즘 개선, MLP 기반 RIS 최적화, 컨벌루션 기법 활용 등을 통해 SINR 향상 및 정확한 위치 추정을 달성하였으며, 다중 서브캐리어 지원으로 실제 환경 적용 가능성을 높였습니다.

Cristina Cornelio, Flavio Petruzzellis, Pietro Lio 연구팀은 지식 그래프 기반 RAG와 상징적 검증기를 통합한 신경기호 접근법을 통해 LLM 기반 로봇 계획의 성능을 크게 향상시켰습니다. 이 연구는 복잡한 작업을 효율적으로 수행하고, 계획의 정확성을 보장하는 데 기여하며, LLM의 추론 및 구성 능력 평가를 위한 새로운 지표를 제시했습니다.

Rui Gan 등 연구진이 개발한 LetsPi는 물리 기반 사회적 힘 역학과 LLM 추론을 결합한 이중 단계 아키텍처를 통해 안전하고 효율적인 자율주행 경로 계획을 실현하는 혁신적인 프레임워크입니다. HighD 데이터셋 실험 결과 기존 모델 대비 5가지 안전 지표에서 우수한 성능을 입증했습니다.

본 연구는 멀티모달 거대 언어 모델(MLLM)을 활용한 시점 영상 질의응답(Egocentric Video QA) 분야에서 개선된 데이터셋 QaEgo4Dv2를 사용하여 여러 MLLM의 성능을 평가하고, 공간 추론 및 세밀한 객체 인식의 어려움을 향후 연구 과제로 제시합니다. 미세 조정된 Video-LLaVa-7B와 Qwen2-VL-7B-Instruct 모델은 기존 최고 성능을 상당히 뛰어넘는 결과를 보였습니다.

한 원, 리찬 강, 용 리 연구팀은 XAI 기법을 활용하여 딥러닝 모델의 녹내장 진단 과정을 분석하고, 임상 지식과의 일관성을 통계적으로 검증했습니다. 다양한 딥러닝 모델과 CAM 기법을 통해 모델의 의사결정 과정을 시각화하고, 해부학적 구조에 대한 집중도와 예측 성능 간의 양의 상관관계를 밝혀냄으로써 딥러닝 모델의 신뢰성을 높였습니다.