PUBLICSPEAK이라는 새로운 AI 기반 프레임워크가 미국 7개 도시의 지방정부 회의 데이터를 분석하여 주민들의 의견을 효과적으로 파악하는 데 성공했습니다. 기존 기술 대비 최대 40% 향상된 성능을 보이며, 지방정부의 투명성과 주민 참여 증진에 크게 기여할 것으로 예상됩니다.

본 연구는 기존 비전-언어 모델(VLMs)의 안전성 평가 방식의 한계를 지적하고, 새로운 평가 지표 SafeGround와 훈련 없이 안전성을 향상시키는 UWM 기법을 제시합니다. 실험 결과 UWM은 안전성과 지식 보존 간 최적의 균형을 달성하며, 안전한 입력에 대한 성능 저하 없이 안전성을 향상시키는 것을 확인했습니다.

BioMamba는 스펙트로-템포럴 임베딩과 양방향 Mamba 프레임워크를 결합하여 기존 생체 신호 분류 방식의 한계를 극복한 혁신적인 모델입니다. 높은 신뢰성, 효율성, 그리고 범용성을 통해 의료 분야에 획기적인 발전을 가져올 것으로 기대됩니다.

Yuan, Lai, Liu 연구팀의 CoLLMLight는 LLM을 활용한 협력적 교통 신호 제어 프레임워크로, 공간-시간 그래프와 복잡성 인식 추론 메커니즘을 통해 실시간 교통 상황에 최적화된 의사결정을 제공합니다. 실험 결과 최첨단 기술을 능가하는 성능을 보였으며, 미래 도시 교통 시스템 발전에 크게 기여할 것으로 기대됩니다.

박지성, 김한진, 김서진, 최주은 연구원 팀이 개발한 Multi-View Pruning(MVP)은 다중 관점 프레임워크와 재구성 손실 및 작업 손실을 활용하여 그래프 풀링의 성능을 획기적으로 향상시켰습니다. 다양한 벤치마크 데이터셋에서 기존 방법들을 능가하는 성능을 입증하였으며, 도메인 지식에 부합하는 중요도 낮은 노드를 정확하게 식별하는 능력을 보여주었습니다.