Zexu Huang, Min Xu, Stuart Perry 연구팀이 개발한 StructGS는 3D Gaussian Splatting의 효율성과 성능을 향상시킨 혁신적인 프레임워크로, 패치 기반 SSIM 손실, 동적 구면 조화 초기화, 다중 스케일 잔차 네트워크(MSRN)를 통해 저해상도 입력으로부터 고해상도 렌더링을 지원하며 기존 최첨단 모델보다 우수한 성능을 보입니다.

마 얀뱌오(Yanbiao Ma) 박사 연구팀이 연합학습의 데이터 이질성 문제를 해결하기 위해 기하학적 지식 기반 지역-전역 분포 정렬(GGEUR) 방법을 개발했습니다. GGEUR은 임베딩 분포의 기하학적 형태를 활용하여 전역 분포를 지역적으로 시뮬레이션함으로써, 레이블 왜곡과 도메인 왜곡이 공존하는 환경에서도 높은 성능을 보였습니다.

Li Yunfeng 등 연구팀은 분산 학습 기반의 FedClusAvg 알고리즘을 통해 프로슈머 에너지 관리 시스템에서 개인정보 보호와 에너지 효율을 동시에 달성하는 방법을 제시했습니다. Non-IID 문제 해결과 3단계 프레임워크를 통해 모델 정확도 향상과 통신 효율 증대를 동시에 이루었습니다.

상하이 대학 연구팀이 개발한 3-CFET SRAM 설계는 기존 기술 대비 37%의 면적 감소와 향상된 성능을 제공, 차세대 메모리 기술의 혁신을 주도할 것으로 기대됩니다. TCAD 시뮬레이션 기반 최적화를 통해 JAM 소자의 우수성을 입증하고, 메모리 칩의 집적도와 성능 향상에 크게 기여했습니다.

고차원 저데이터 환경에서 기존 확산 기반 표 데이터 합성 모델의 한계를 극복하는 CtrTab 모델이 제시되었습니다. 라플라스 노이즈 주입을 통해 데이터 다양성과 모델 강건성을 향상시켰으며, 다양한 데이터셋에서 SOTA 모델 대비 평균 80% 이상의 정확도 향상을 기록했습니다.