본 연구는 심각한 게임(SG)에 절차적 콘텐츠 생성(PCG)을 통합하여 게임 경험을 향상시키는 방법을 제시하고, 심층 강화 학습(DRL) 기반의 자동 평가 프레임워크를 개발하여 PCG의 효과를 객관적으로 측정하는 데 성공했습니다. 유전 알고리즘 기반 PCG가 무작위 PCG보다 우수한 성능을 보였으며, 이 프레임워크는 향후 SG 개발에 혁신적인 변화를 가져올 것으로 기대됩니다.

KAIST 연구팀이 개발한 SEED 모델은 확산 모델을 이용해 스피커 임베딩을 개선함으로써 환경적 요인에 강건한 스피커 인식 시스템을 구축합니다. 기존 시스템 수정 없이 최대 19.6%의 정확도 향상을 달성했으며, 오픈소스 공개를 통해 더욱 발전할 가능성을 제시합니다.

NUS-HPC-AI-Lab 연구팀이 개발한 HASTE 알고리즘은 딥러닝 기반 이미지 생성 모델의 훈련 속도를 기존 대비 최대 28배 향상시키는 획기적인 성과를 달성했습니다. 기존 REPA 기법의 한계를 극복하는 2단계 훈련 전략을 통해 효율성과 성능을 동시에 개선하였으며, ImageNet 및 MS-COCO 데이터셋에서 그 효과를 입증했습니다.

본 기사는 제한된 자원 하에서 효율적인 AI 학습을 위한 코호트 기반 능동 모달리티 확보(CAMA) 전략에 대한 최신 연구 결과를 소개합니다. 생성적 imputation과 판별적 모델링을 결합한 CAMA는 기존 방법보다 효과적으로 추가 모달리티 확보를 유도하며, 실제 응용 분야에서 AI의 활용도를 높일 것으로 기대됩니다.

서형진, 김태원, 유시현, 안성수 연구팀은 마스크 확산 모델(MDM)의 분자 생성 적용 시 발생하는 '상태 충돌 문제'를 해결하기 위해 MELD 모델을 개발했습니다. MELD는 ZINC250K 데이터셋에서 화학적 타당성을 15%에서 93%로 높이며, 분자 생성 분야의 혁신을 이끌었습니다.