서울대 연구팀이 대규모 다중 모달 모델(LMM)의 시각적 어텐션 싱크 현상을 발견하고, 이를 해결하는 '시각적 어텐션 재분배(VAR)' 기법을 제안했습니다. VAR은 추가 학습 없이 LMM의 성능을 향상시키는 효과적인 방법으로, AI의 시각 정보 처리 효율성을 높이는 새로운 방향을 제시합니다.

본 연구는 생물학적 신경망 연구에서 영감을 얻어, 입력 데이터 증강이 컨볼루션 신경망의 내부 추론에 미치는 영향을 조사하는 새로운 프레임워크를 제시합니다. Sobol 지수와 Shapley 값을 활용하여 신경망의 민감도를 분석하고 시각화하며, 단일 클래스 민감도 분석 기법을 통해 예측 편향을 생성하고 활성화 마스킹을 수행합니다. 이 연구는 AI의 설명 가능성 향상과 생물학적 신경망 연구에의 적용 가능성을 제시합니다.

Zhang Jiayi 등 연구진이 개발한 TrafficKAN-GCN은 KAN과 GCN을 결합한 딥러닝 프레임워크로, 실제 교통 데이터를 기반으로 높은 예측 정확도와 강건성을 보이며 도시 교통 혼잡 문제 해결에 새로운 가능성을 제시합니다.

본 연구는 분산 컴퓨팅 연속 시스템(DCCS)에서 서비스 수준 목표(SLO) 준수를 향상시키기 위해 능동 추론(Active Inference) 알고리즘을 제안하고, 기존 알고리즘과 비교 분석하여 그 효과를 검증했습니다. 능동 추론은 낮은 메모리 사용량, 안정적인 CPU 사용률, 빠른 수렴 속도 등의 장점을 보이며 DCCS에서의 SLO 준수를 위한 유망한 방법으로 제시되었습니다.

본 기사는 대칭 전력 변환기의 성능 한계를 극복한 등각-대칭 전력 변환기에 대한 연구 결과를 소개합니다. 데이터 종속적 게이팅 및 회전 임베딩 기술을 통해 훈련 및 평가 컨텍스트의 확장에도 안정적인 성능을 달성한 이 연구는 AI 기술 발전에 크게 기여할 것으로 예상됩니다.