Doctor-in-the-Loop는 의사의 전문 지식을 통합한 설명 가능한 AI 프레임워크로, 비소세포폐암의 병리학적 반응 예측 정확도와 신뢰성을 높였습니다. 다중 관점 전략을 통해 임상적 추론과 유사한 방식으로 예측 결과를 도출하여 의료 현장에서의 AI 활용 가능성을 크게 높였습니다.

Sun 등 연구진이 개발한 CoKV는 협력 게임 이론을 기반으로 거대 언어 모델의 메모리 효율을 획기적으로 개선한 캐시 할당 기법입니다. Llama-3-8B-Instruct 및 Mistral-7B 모델을 사용한 LongBench 벤치마크 실험에서 최첨단 성능을 기록하며, LLM의 효율적인 배포 및 확장성 향상에 기여할 것으로 기대됩니다.

대규모 다기관 연구를 통해 웨어러블 기기에서 심전도 매개변수를 자동 계산하는 FeatureDB 알고리즘의 높은 정확도와 진단 성능이 입증되었습니다. 이는 웨어러블 심전도 기술의 임상 적용 가능성을 높이고 심혈관 질환 관리 전략 개선에 기여할 것으로 기대됩니다.

Sun Zetian 등 연구진은 구조적 사전 정보 주입을 통해 몬테카를로 샘플링의 한계를 극복하고 LLM 추론 성능을 향상시키는 새로운 방법을 제시했습니다. Best-of-N 및 Beam Search 작업에서 1~2%의 성능 향상을 보였으며, 구조적 사전 정보의 중요성을 강조했습니다.

MoEMba 프레임워크는 선택적 상태공간 모델, 채널 어텐션 기법, 웨이블릿 특징 변조를 활용하여 고밀도 근전도(HD-sEMG) 기반 손동작 인식의 정확도와 세션 간 변동성 문제를 해결하여 HCI 분야에 새로운 가능성을 제시합니다.