Bo Yan 등 연구진은 개인정보 보호 문제를 고려한 연합 그래프 학습(FGL)의 이질성 문제 해결을 위해 대규모 언어 모델(LLM)을 활용하는 LLM4FGL 프레임워크를 제안했습니다. LLM을 이용해 누락된 노드를 생성하고 연결을 추론하는 두 가지 하위 작업으로 구성되며, 연합 생성 및 반영 메커니즘을 통해 LLM의 매개변수 변경 없이도 성능 향상을 이끌어냈습니다. 실험 결과, LLM4FGL은 기존 방법보다 우수한 성능을 보였습니다.

중국과학원 연구팀이 개발한 VecTrans 프레임워크는 LLM을 이용해 컴파일러 기반 코드 벡터화를 향상시켜 기존 컴파일러의 한계를 극복하고 속도를 2배 이상 향상시켰습니다. 이는 LLM 기반 컴파일러 최적화 시대의 시작을 알리는 중요한 성과입니다.

본 기사는 베이 수영, 최윤석, 이제형 연구팀이 개발한 DeCAP (Context-Adaptive Prompt Generation)에 대해 소개합니다. DeCAP는 대규모 언어 모델의 제로샷 질의응답에서 발생하는 편향성 문제를 해결하기 위해 문맥 적응형 프롬프트 생성 기법을 활용하며, 질문 모호성 탐지 및 중립적 답변 안내 생성을 통해 LLM의 객관적 판단을 유도합니다. 8개의 LLM을 대상으로 한 실험 결과, DeCAP는 최첨단 성능을 달성하며 AI의 공정성과 신뢰성 향상에 크게 기여할 것으로 기대됩니다.

본 논문은 RICS 기반 MEC를 활용한 다중 에이전트 심층 강화 학습을 통해 자율주행 자동차의 안전성과 효율성을 향상시키는 혁신적인 기술을 제시합니다. 시간에 따라 변하는 채널 상태와 다중 사용자 간섭을 고려한 새로운 최적화 방식을 제안하며, 다양한 최첨단 기술과 비교하여 데이터 전송률과 주행 안전성 향상을 입증합니다.

Mehul Shetty와 Connor Jordan의 연구는 CausaLM과 TReATE 기법을 활용하여 의료 진단 모델에서 증상의 인과적 영향을 정량적으로 분석하는 새로운 방법을 제시했습니다. 이는 의료 AI의 신뢰성과 해석성을 높이고, 더욱 정확한 의료 지원 도구 개발에 기여할 것으로 기대됩니다.