김찬, 서승우, 김성우 연구팀이 개발한 LaMOuR은 언어 모델을 활용하여 강화학습에서 OOD(Out-of-Distribution) 문제를 해결하는 혁신적인 기술입니다. 불확실성 추정에 의존하지 않고 LLM의 능력을 통해 효율적인 복구 학습을 가능하게 하며, 다양한 로봇 제어 과제에서 우수한 성능을 보여줍니다.

본 연구는 10개의 음성 딥페이크 탐지 모델에 대한 견고성 평가를 통해, 기초 모델의 우수성과 데이터 증강의 중요성을 강조합니다. 실제 환경의 잡음, 변조, 압축 등에 대한 모델의 취약성을 분석하고, 향후 더욱 견고한 딥페이크 탐지 시스템 개발의 필요성을 제시합니다.

Khadija Zanna와 Akane Sano의 연구는 LLM을 활용하여 인과적 발견(CD)의 효율성과 공정성을 크게 향상시킨 혁신적인 프레임워크를 제시했습니다. 폭넓은 우선 탐색(BFS) 전략, 능동 학습(AL), 동적 점수 매커니즘을 통해 기존 CD 알고리즘의 한계를 극복하고, 공정성 분석까지 고려한 윤리적인 AI 개발에 기여할 것으로 기대됩니다.

Henry Ford Health와 미시간주립대학교 연구팀이 개발한 AI 기반 방사선 치료 계획 최적화 에이전트 DOLA는 LLaMa3.1 LLM을 활용하여 환자 프라이버시를 보호하면서 효율적인 치료 계획을 수립합니다. 700억 매개변수 모델은 80억 매개변수 모델보다 16.4% 향상된 성능을 보였으며, RAG와 RL의 결합은 최적화 과정을 가속화했습니다. 이는 의료 AI 분야의 혁신적인 발전으로 평가됩니다.

Yu Sun 등 연구진이 발표한 논문에서는 고품질 데이터 확장을 위한 새로운 접근법으로 kNN 기반 잠재 공간 확장(LSB)과 오디오 강화 시각-언어 모델링(VLMAE)을 제시합니다. 실제 산업 시스템에 적용되어 성공적인 결과를 얻었으며, 활성 학습의 효율성 향상 및 멀티모달 모델 성능 개선에 기여했습니다.