AIMI는 AI를 활용하여 만성 질환자의 약 복용 순응도를 예측하는 시스템으로, 스마트폰 센서와 과거 복약 이력을 통해 93.2%의 정확도를 달성했습니다. 미래 지식과 개인화된 학습을 통해 예측 정확도를 더욱 높였으며, GitHub에서 코드를 공개하여 누구나 활용할 수 있도록 했습니다.

Aung Htet 등 연구진은 동물의 항상성 원리를 모방한 혁신적인 스파이킹 신경망 모델을 개발하여, 외부 환경 변화에 따라 내부 표상을 역동적으로 제어하는 시스템을 구축했습니다. 수치 인지 과제에서 성공적으로 적용된 이 모델은 향후 다양한 인지 과제에 적용될 수 있는 잠재력을 지니고 있으며, 인공지능 발전과 뇌 과학 연구에 중요한 기여를 할 것으로 기대됩니다.

Marek Wodzinski와 Henning Müller가 개발한 두 단계 적대적 네트워크 기반 3D 이미지 융합 기술은 라이츠시트 현미경의 한계를 극복하고, IEEE ISBI 2025 FuseMyCells 챌린지에서 우수한 성능을 입증했습니다. 핵과 세포막에 대한 SSIM이 0.85와 0.91을 상회하며, 광자 예산 절약과 고해상도 이미징을 동시에 달성하는 혁신적인 기술로 평가받고 있습니다.

본 기사는 Sergey Berezin, Reza Farahbakhsh, Noel Crespi의 연구 "Redefining Toxicity: An Objective and Context-Aware Approach for Stress-Level-Based Detection"를 소개합니다. 기존의 주관적인 독성 감지 방식의 한계를 극복하고, 스트레스 수준을 기반으로 한 객관적이고 문맥 인지적인 새로운 프레임워크를 제시하는 이 연구는 AI의 윤리적 발전과 안전한 온라인 환경 구축에 중요한 의미를 가집니다.

본 논문은 대규모 언어 모델(LLM)의 기억력 향상을 위한 새로운 방법인 RAG-Tuned-LLM을 제안합니다. 장문 컨텍스트 LLM과 RAG의 장단점을 분석하여, 소규모 LLM을 RAG 원칙에 따라 미세 조정함으로써 비용 효율성과 성능을 동시에 개선하는 방법을 제시합니다. 실험 결과, RAG-Tuned-LLM은 기존 방법보다 우수한 성능을 보였습니다.