Jia Zijun 연구팀의 새로운 음성 감정 인식 프레임워크는 임의 예측(CP)과 위험 관리를 통합하여 과적합 문제를 해결하고, 사용자 지정 위험 수준에 따라 신뢰도 높은 예측을 제공합니다. IEMOCAP 및 TESS 데이터셋 실험을 통해 엄격한 범위 보장과 APSS 지표의 효과를 검증했습니다. 이 연구는 스마트 교통 시스템 및 실시간 감정 모니터링 등 다양한 분야에 적용될 수 있습니다.

본 연구는 레이블 불확실성을 고려한 음성 감정 인식 모델을 제시하고, 다양한 기반 모델 및 성별/화자 간 성능 분석을 통해 모델의 일반화 능력을 향상시켰습니다. 레이블 불확실성과 데이터 불균형 문제를 해결하기 위한 새로운 평가 방법을 제안하여 음성 감정 인식 분야에 중요한 기여를 했습니다.

장해초와 푸윤 박사 연구팀의 '토큰 다이내믹스'는 비디오 대규모 언어 모델의 효율성을 극대화하는 혁신적인 비디오 토큰 표현 프레임워크입니다. 시공간적 일관성을 유지하면서 토큰 수를 극도로 줄여(0.07%), 성능 저하를 최소화(1.13%)하는 놀라운 결과를 달성했습니다.

베이징대학교 연구팀이 개발한 TEMPLE은 직접적 선호도 최적화(DPO), 난이도 스케줄링, 사전 SFT 정렬을 통해 비디오 거대 언어 모델(Video LLMs)의 시간적 추론 능력을 크게 향상시킨 혁신적인 프레임워크입니다. 적은 양의 데이터로도 뛰어난 성능을 보이며, 향후 신뢰할 수 있는 Video LLMs 개발에 기여할 것으로 기대됩니다.

Cyrus Malik, Josef Bajada, Joshua Ellul 세 연구원이 개발한 다중 모달 데이터 융합 프레임워크는 GAN 기반 opcode 임베딩을 통해 스마트 계약의 평판 분석 정확도를 획기적으로 높였습니다. 코드와 거래 데이터 통합으로 단일 소스 모델 대비 재현율을 7.25% 향상시켜 이더리움 생태계 보안 강화에 기여할 것으로 기대됩니다.