Aidan Furlong 등 연구진은 물리 기반 하이브리드 머신러닝 모델을 통해 핵심 열유속 예측의 정확도와 신뢰성을 크게 향상시켰습니다. Biasi 하이브리드 심층 신경망 앙상블 모델은 특히 뛰어난 성능을 보였으며, 데이터 부족 상황에서도 우수한 성능을 유지했습니다. 이 연구는 원자력 발전소의 안전성과 효율성 향상에 크게 기여할 것으로 기대됩니다.

브라질 연구진의 연구는 EfficientNet-B3 모델을 활용하여 카사바 질병 이미지 분류에서 높은 정확도를 달성, 정밀 농업 분야에 딥러닝 기술 적용 가능성을 제시했습니다. 데이터 불균형 문제 해결을 위한 전략적 접근과 다양한 지표 활용 또한 중요성을 강조했습니다.

Diana Marie Schenke와 Timo Baumann 연구팀은 LLM의 출력 길이 제어 문제를 해결하는 새로운 방법을 제시했습니다. 기존 데이터 증강 및 미세 조정 기법을 통해 LLM이 길이 요구 사항을 충족하도록 훈련시키는 접근 방식으로, 훈련된 모델은 길이 요구 사항에 더 잘 맞는 텍스트를 생성하며, 훈련 데이터의 출처에 따라 응답 품질이 달라질 수 있다는 점을 발견했습니다. 이 연구는 LLM의 활용 범위를 크게 확장할 가능성을 제시합니다.

Qi Yu 등 연구진이 개발한 JOENA 모델은 임베딩과 최적 전송(OT) 기법을 결합하여 네트워크 정렬의 정확도와 속도를 크게 향상시켰습니다. 실험 결과, 기존 최고 성능 모델 대비 MRR 16% 향상, 속도 20배 향상을 기록했습니다.

칭화대학교 연구진이 개발한 Agentic Reward Modeling은 인간의 선호도와 검증 가능한 정확성 신호를 결합하여 LLM의 성능을 향상시키는 획기적인 보상 모델입니다. RewardAgent라는 에이전트를 통해 실험적으로 우수성을 입증하였으며, GitHub 공개를 통해 후속 연구를 지원하고 있습니다.