알츠하이머병 진단의 어려움을 극복하기 위해 개발된 PGAD 프레임워크는 불완전한 다중 모달 데이터를 효과적으로 활용하여 기존 방식보다 뛰어난 성능을 보였습니다. 프로토타입 매칭과 동적 샘플링 전략을 통해 실제 임상 환경에서의 정확하고 확장성 있는 진단을 가능하게 할 것으로 기대됩니다.

KAIST 연구팀이 개발한 DDiF는 신경장을 이용해 대용량 데이터셋을 효율적으로 압축하는 혁신적인 데이터셋 증류 기법입니다. 이미지, 비디오, 오디오, 3D 복셀 등 다양한 데이터 유형에 적용 가능하며, 기존 연구 대비 우수한 성능과 표현력을 보입니다.

Lin Yiguan 등 연구진이 제시한 '외삽 병합(Extrapolation Merging)' 기법은 추가적인 계산 자원이나 데이터 없이 거대 언어 모델(LLM)의 성능을 향상시키는 혁신적인 방법입니다. 모델 외삽의 효과성 검증과 명확한 최적화 방향 제시를 통해 7가지 작업에서 일관된 성능 향상을 달성했습니다. 이는 LLM 연구의 새로운 지평을 열고, 지속 가능한 인공지능 발전에 기여할 것으로 기대됩니다.

중국과학원 연구팀이 개발한 ProEAT은 멀티모달 대규모 언어 모델의 탈옥 공격에 대한 효과적인 방어 시스템입니다. 가볍고 효율적인 프로젝터 레이어와 동적 가중치 조정 메커니즘을 통해 계산 비용을 줄이면서 텍스트와 이미지 모달리티 모두에서 강력한 방어 성능을 보여줍니다. 실제 시스템 적용 가능성을 입증하며 안전한 AI 시스템 개발에 기여할 것으로 예상됩니다.

본 연구는 지도 학습과 하드웨어 친화적인 GDN 구현, 그리고 파이프라인 FPGA 구성을 통해 기존 FPGA 기반 학습 기반 이미지 압축의 한계를 극복하고 압축 효율을 획기적으로 개선한 연구 결과를 제시합니다. 이를 통해 딥러닝 기반 이미지 압축 기술의 실제 하드웨어 적용 가능성을 크게 높였습니다.