SparseLUT은 FPGA 기반 DNN의 효율성을 극대화하는 새로운 접근 방식을 제시합니다. 비그리디 학습 전략을 통해 스파스 연결성을 최적화하여 MNIST와 Jet Substructure Classification에서 기존 방식보다 높은 정확도를 달성하였습니다.

Song 등의 연구는 대규모 비전-언어 모델(LLVM)의 훈련 데이터 불균형 문제를 해결하기 위해 적응형 데이터 개선 프레임워크(ADR)를 제시했습니다. ADR은 데이터 재균형과 데이터 합성을 통해 LLaVA 1.5의 성능을 4.36% 향상시켰으며, 이는 훈련 데이터의 양을 늘리지 않고도 달성한 성과입니다.

중국 연구진이 개발한 AI 기반 크로스 레이어 의미론적 보안 통신 기술은 강화학습을 활용, 기존 물리 계층 보안의 한계를 넘어 응용 계층의 의미론적 작업 성능까지 고려하는 통합적 보안 시스템을 구축했습니다. 새로운 평가 지표 CLSSR과 AI 기반 최적화를 통해 작업 신뢰성과 보안 성능을 크게 향상시켰으며, 특히 자율주행 등 안전성이 중요한 분야에 혁신적인 영향을 미칠 것으로 예상됩니다.

배진석, 원정담, 임동근, 황인우, 김영민 연구팀의 논문은 연속 및 이산 잠재 표현을 통합한 혁신적인 물리 기반 캐릭터 제어 모델을 제시합니다. Residual Vector Quantization을 활용하여 다양하고 부드러운 모션 생성과 희소 목표 조건 충족을 달성, 게임, 애니메이션, 로보틱스 등 다양한 분야에 적용 가능성을 높였습니다.

Luo 박사 연구팀의 새로운 다중 거듭제곱 법칙은 대규모 언어 모델 학습에서 손실 곡선을 정확하게 예측하고, 기존보다 효율적인 학습률 스케줄을 자동으로 찾아냄으로써 AI 학습의 효율성을 크게 향상시킬 것으로 기대됩니다.