본 연구는 LLM 기반 코드 생성에서의 코드 중복 문제를 해결하기 위한 최초의 실증적 연구로, 19개의 최첨단 코드 LLM을 대상으로 정량 및 정성 분석을 수행하여 중복 패턴을 분석하고, 이를 완화하는 DeRep 기법을 제시했습니다. DeRep은 기존 기법 대비 압도적인 성능 향상을 보이며 LLM 기반 코드 생성 기술의 질적 향상에 기여할 것으로 기대됩니다.

Lv Changsheng 등 연구진이 개발한 Robo-SGG는 손상된 이미지에서도 강력한 성능을 발휘하는 새로운 장면 그래프 생성(SGG) 방법입니다. 레이아웃 정보를 활용하고 Instance Normalization과 Layout-Oriented Restitution을 통해 객체 간의 관계를 복원하며, Layout-Embedded Encoder를 통해 특징을 풍부하게 합니다. VG-C 데이터셋에서 기존 최고 성능을 뛰어넘는 결과를 달성하여, 손상된 이미지에 대한 강건한 SGG 기술의 새로운 기준을 제시했습니다.

중국 연구진이 개발한 GeoSense 벤치마크는 다중 모달 AI의 기하학적 추론 능력을 종합적으로 평가하여, AI의 인간과 유사한 추론 능력 향상에 기여할 것으로 기대됩니다. Gemini-2.0-pro-flash가 높은 성능을 보였으나, 기하 원리의 식별 및 적용이 여전히 개선되어야 할 부분으로 지적되었습니다.

Liyi Zhang 등 연구진은 거대 언어 모델(LLM)의 사전 분포가 특정 작업에서 오류를 유발하는 원인임을 밝히고, 프롬프트 조정 및 신경망 계층 미세 조정을 통해 이 문제를 해결할 수 있음을 보여주었습니다. 이 연구는 LLM의 신뢰성과 정확성 향상에 크게 기여할 것으로 예상됩니다.

Leming Wu 등 연구진이 개발한 FedDua는 부정확한 클라이언트 데이터 양으로 인한 연합 학습의 편향 문제를 해결하는 혁신적인 방법입니다. 클라이언트의 로컬 모델 그래디언트를 분석하여 데이터 양을 정확히 예측하고, 기존 알고리즘과의 통합도 용이합니다. 실험 결과, 평균 3.17%의 성능 향상을 기록하며 연합 학습의 신뢰성과 효율성을 높였습니다.