Diego Dall'Alba 등 연구진이 개발한 FF-SRL은 GPU 기반 수술 시뮬레이션으로 로봇 수술 학습 속도를 획기적으로 향상시켰습니다. CPU/GPU 간 데이터 전송 병목 현상을 해결하여 훈련 시간을 10배 단축, 오픈소스 공개로 연구 커뮤니티에 기여합니다.

류용수아이와 류신 연구원이 개발한 Adventurer는 BiGAN을 이용해 상태의 참신성을 추정하는 혁신적인 심층 강화 학습 탐색 알고리즘입니다. Mujoco 로봇 및 Atari 게임 등 다양한 벤치마크에서 우수한 성능을 입증했습니다.

Yao, Mao, Chen 세 연구원의 논문은 CSI 없이도 다중 RIS를 이용하여 정확한 위치 추정이 가능한 새로운 알고리즘을 제시합니다. 조건부 표본 평균 기법을 활용하여 에너지 효율과 정확도를 동시에 향상시켰으며, 이는 RIS 기반 위치 추정 기술의 실용화를 앞당길 획기적인 성과입니다.

Mohsen Amiri와 Sindri Magnússon의 연구는 전환 비정상 마르코프 의사결정 과정(SNS-MDP)을 통해 비정상 환경에서의 강화학습 알고리즘의 수렴성 문제를 해결하고, 통신 네트워크 등 실제 환경에서의 적용 가능성을 제시했습니다. 이 연구는 다양한 분야에서 강화학습의 활용 범위를 넓히는 데 크게 기여할 것으로 기대됩니다.

인간의 감각 발달 원리를 모방한 혁신적인 다중모달 학습 방법인 InfoReg가 소개되었습니다. 정보 획득의 균형을 맞춰 성능을 향상시키는 InfoReg는 다양한 분야에 혁신을 가져올 것으로 기대되지만, 모든 모달의 정보량을 정확히 평가하는 문제는 여전히 해결 과제로 남아있습니다.