LangDA는 VLM을 활용한 문맥 인식으로 DASS 성능을 향상시킨 혁신적인 방법입니다. 세 가지 벤치마크에서 최첨단 성능을 달성하며, 비지도 도메인 적응 분야의 새로운 가능성을 제시합니다.

본 연구는 유방암 다중 클래스 분류의 정확성 향상을 위해 오류 예측 위험 분석 프레임워크와 적응형 학습 전략을 제시합니다. 실제 데이터셋을 통해 기존 방법보다 향상된 성능을 입증하여 유방암 조기 진단 및 의료 영상 분석 분야에 기여할 것으로 기대됩니다.

Sung-Yeon Park 등 연구진이 발표한 NuPlanQA는 운전 장면 이해를 위한 혁신적인 벤치마크 및 대규모 데이터셋입니다. 100만 개의 VQA 쌍으로 구성된 NuPlanQA-1M과 9가지 하위 작업으로 구성된 NuPlanQA-Eval은 MLLM의 운전 장면 이해 능력을 정교하게 평가합니다. BEV-LLM 모델은 BEV 특징을 통합하여 기존 모델보다 뛰어난 성능을 보였습니다. 공개된 GitHub 저장소를 통해 자율주행 기술 발전에 기여할 것으로 기대됩니다.

Liang 등(2025)의 연구는 해석 가능한 심층 역강화 학습(DIRL) 프레임워크를 사용하여 여행 수요 모델링에서 행동 패턴과 선호도에 대한 통찰력을 제공합니다. 실제 데이터 분석을 통해 사회 인구 통계적 그룹 간의 차이점과 특정 활동 순서의 효용을 밝혀냄으로써, 교통 계획 및 정책 수립에 유용한 정보를 제공합니다.

Christine Lee, Jihye Choi, Bilge Mutlu 연구팀이 개발한 MAP (Multi-Agent system for Multi-user Personalization) 시스템은 다중 사용자 환경에서의 개인화 문제를 해결하기 위한 혁신적인 솔루션입니다. 사용자 중심의 3단계 워크플로우와 특수화된 에이전트들의 협업을 통해 신뢰성과 사용성을 높였으며, 사용자 연구 결과를 통해 그 효과성을 입증했습니다.