Hanze Li와 Xiande Huang 연구팀의 혁신적인 ELA 아키텍처는 KL Divergence와 EBQM을 활용하여 딥러닝 모델의 계층적 어텐션 효율성을 획기적으로 개선, 훈련 시간을 30% 단축하고 성능을 향상시켰습니다.

인간의 이중적 사고 시스템을 모방한 AI 기반 GUI 접지 프레임워크 'Focus'가 소량의 데이터와 파라미터로 최첨단 성능을 달성하며 복잡한 GUI 상호작용 개선 가능성을 제시했습니다.

George Tang 외 연구진이 발표한 논문 'Vector Quantized Feature Fields for Fast 3D Semantic Lifting'은 벡터 양자화 특징 필드(VQFF)를 이용하여 3D 의미론적 리프팅의 속도와 효율성을 크게 향상시켰습니다. VQFF는 픽셀 정렬 관련 마스크를 효율적으로 관리하여 메모리 사용량을 줄이고, 텍스트 기반 장면 편집 및 구현된 질문 응답 등 다양한 응용 분야에 활용될 수 있음을 보여주었습니다.

Chen 등의 연구는 차량 네트워크의 이동성과 다중 작업을 고려한 새로운 연합학습 프레임워크를 제시하여, 제한된 자원을 효율적으로 활용하고 여러 작업의 최적 모델 학습을 달성하는 방법을 제시합니다. 수학적 모델링과 최적화 알고리즘을 통해 효율성을 입증하며, 미래 지능형 교통 시스템 발전에 크게 기여할 것으로 기대됩니다.

AXAI-CDSS는 XAI와 인과 추론, LLM, 감정 분석을 결합하여 대마 사용 예측 모델의 설명 가능성과 사용자 경험을 향상시킨 의료 의사결정 지원 시스템입니다. 사용자 중심의 동적 피드백 제공으로 AI에 대한 신뢰도와 사용성을 높여 의료 현장의 효율성과 안전성을 개선하는 데 기여합니다.