LLM을 활용한 혁신적인 시간 시계열 처리 프레임워크 TimeCAP이 소개되었습니다. 기존 방법 대비 28.75% 향상된 예측 성능을 보이며, 다양한 분야에 적용 가능성을 제시합니다.

Amin Qasmi, Usman Naseem, Mehwish Nasim의 연구는 LLM 에이전트 간의 비협조적 게임을 통해 여론 형성과 양극화 현상을 분석합니다. 높은 확증 편향은 그룹 내 일치를 강화하지만 전반적 양극화를 심화시키고, 고자원 반박 전략은 장기적 지속가능성에 한계를 보입니다. 이는 AI 기술의 사회적 책임과 윤리적 고려의 중요성을 강조합니다.

시각 언어 모델(VLMs)의 수리적 추론 능력 부족 문제를 해결하기 위해, 연구진은 피아제의 인지 발달 이론을 기반으로 한 새로운 사후 학습 전략 CogAlign을 제안했습니다. CogAlign은 시각적 변환에 대한 불변성 인식 능력을 향상시켜 여러 VLMs의 성능을 개선했으며, 기존 지도 학습 방식보다 효율적인 학습을 가능하게 했습니다.

GraphGPT-O는 다중 모달 속성 그래프(MMAG)를 활용하여 텍스트와 이미지, 그리고 그래프 구조 정보를 통합적으로 이해하고 생성하는 혁신적인 모델입니다. 계층적 정렬기와 다양한 선형화 기법을 통해 MLLM과 MMAG 간의 연동을 강화하고, 다양한 도메인에서 우수한 성능을 입증했습니다. 공개될 데이터셋과 코드는 향후 연구에 큰 기여를 할 것으로 예상됩니다.

Pham 등 연구진은 블록체인과 연합 학습을 활용한 새로운 예측 정비 프레임워크를 제시하여 분산된 산업 환경에서의 데이터 프라이버시, 보안, 투명성 문제를 해결했습니다. NASA CMAPSS 데이터셋을 이용한 실험 결과와 GitHub를 통한 오픈소스 공개는 해당 프레임워크의 실용성과 지속적인 발전 가능성을 보여줍니다.