Hao, Bao, Lu 연구팀이 개발한 LTM은 LLM, 사전 학습된 시계열 모델, 지식 그래프를 결합한 혁신적인 시계열 분석 프레임워크로, 적은 파라미터로 높은 정확도와 효율성을 달성하여 예측, 결측값 채우기, 이상 탐지 등 다양한 작업에 적용 가능합니다.

Yao Yongqiang 등 연구진의 새로운 연구는 장문 컨텍스트 LLM의 훈련 속도를 크게 향상시키는 계층적 균형 패킹(HBP) 기법을 제시합니다. DeepSeek-V2 모델의 훈련 속도를 2.4배 향상시킨 결과를 통해 AI 분야의 혁신적인 발전을 보여줍니다.

Zhou 박사 연구팀이 제안한 HAMH-PPO는 그래프 어텐션 유닛과 하이퍼-액션을 활용하여 단일 actor-critic 네트워크로 다양한 교차로에 대한 개인화된 교통 신호 제어 정책을 효율적으로 생성하는 혁신적인 방법입니다. 이는 교통 흐름 최적화 및 교통 효율 향상에 크게 기여할 것으로 기대됩니다.

카이스트 김광영, 심병수 연구원이 개발한 PLADIS는 희소 어텐션을 활용하여 확산 모델의 추론 속도와 성능을 크게 향상시킨 혁신적인 기술입니다. 추가 학습이나 NFEs 없이도 뛰어난 성능을 보이며, 다양한 안내 기법과의 호환성을 자랑합니다.

니하트 무구르타이 교수의 논문은 AI 기술 불평등이 개발도상국에 미치는 심각한 영향을 분석하고, 기술 이전 및 규제 협력을 위한 새로운 제도적 메커니즘을 제시합니다. 개발도상국은 AI 기술 접근의 제한과 상반되는 규제 접근 방식 사이에서 어려움을 겪고 있으며, 접근성과 거버넌스 기준 사이의 균형을 맞추는 것이 중요한 과제입니다.