Zheng Wang 등 연구진은 LLM 기반 작업 계획의 한계를 극복하기 위해 RAG와 다중 에이전트 메타 강화 학습 프레임워크를 활용한 InstructRAG을 제안했습니다. Instruction Graph, RL-Agent, ML-Agent를 통해 확장성과 전이성을 향상시켜 기존 방식보다 최대 19.2% 향상된 성능을 달성했습니다.

Petr Jahoda와 Jan Cech의 연구는 StyleGAN2를 이용해 소스 이미지의 포즈와 표정을 타겟 이미지에 전이하는 혁신적인 기술을 선보였습니다. 자기 지도 학습을 통해 효율성을 높였으며, 실시간에 가까운 성능으로 다양한 분야에 적용 가능성을 열었습니다. 하지만, 윤리적인 문제에 대한 고려도 필수적입니다.

Euclid Collaboration 등 국제 연구팀은 CatBoost 기반 AI 파이프라인을 개발하여 Euclid 우주망원경 데이터를 활용한 은하 특성 추정의 정확도를 높였습니다. 지상 기반 데이터와의 결합을 통해 더욱 정확한 결과를 얻었으며, 우주론 연구에 중요한 기여를 할 것으로 기대됩니다.

Borja Genoves Guzman과 Maïté Brandt-Pearce 연구팀은 ORIS 기술을 활용하여 다중 사용자 VLC 시스템의 통신 두절 문제를 최대 85%까지 감소시키는 최적화 알고리즘을 개발했습니다. 이는 VLC 기술의 상용화 가능성을 크게 높이는 획기적인 결과입니다.

Saransh Agrawal과 Kuan-Hao Huang의 연구는 LLM의 민감한 정보 암기 문제를 해결하기 위해 인과 매개 분석과 계층별 최적화를 결합한 선택적 망각(unlearning) 기법을 제시합니다. OLMo 아키텍처를 활용한 실험 결과, 초기 트랜스포머 계층의 중요성을 밝히고, 10억 매개변수 모델 부문에서 2위를 차지하며 높은 성능과 데이터 프라이버시 보호를 동시에 달성했습니다.