Zhou Fang과 Gianmarco Mengaldo의 연구는 기존 머신러닝 예측의 오차 측정 방식의 한계를 지적하고, 동역학적 일관성을 평가하는 새로운 지표를 제시합니다. 실제 데이터 분석을 통해 장기 예측에서의 동역학적 왜곡 문제를 밝히고, 더욱 신뢰할 수 있는 예측 모델 개발의 필요성을 강조합니다.

물리 기반 신경망을 활용한 새로운 신경 제어 장벽 함수(nCBFs)가 개발되어 자율 시스템의 안전성 확보에 획기적인 진전을 이루었습니다. 역 제어 장벽 함수(reciprocal CBFs)를 활용하여 유연한 안전 영역 설정이 가능해졌고, 다양한 시스템에서의 실험을 통해 그 효과를 검증했습니다. 이는 미래 자율 시스템의 안전성 향상에 크게 기여할 것으로 기대됩니다.

QAVA는 기존의 특정 질문에 국한된 적대적 공격과 달리, 질문과 무관하게 이미지의 취약성을 공격하는 새로운 방법입니다. 이는 대규모 비전-언어 모델의 현실적인 취약성을 드러내고, 모델의 안전성 및 신뢰성 향상을 위한 연구의 필요성을 강조합니다.

AI 기반 예측치안 시스템에 대한 신뢰도 향상을 위한 연구 결과가 발표되었습니다. 연구 결과, 다양한 설명 방식에도 불구하고 적절한 신뢰 형성에는 실패했으며, 고위험 AI 시스템의 신뢰성 확보를 위한 정책적 권고가 제시되었습니다.

국내 연구진이 개발한 드론 기반 대규모 교통 데이터셋 'DRIFT'는 대전시 9개 교차로의 고해상도 차량 궤적 데이터를 제공하며, 오픈소스 모델 및 분석 도구와 함께 공개되어 자율주행, 스마트시티 연구에 크게 기여할 것으로 예상됩니다.