Li Yicong 등 연구진이 개발한 AGAIN 알고리즘은 팩터 그래프를 이용하여 악의적인 데이터 변형에도 불구하고 AI의 의사결정 과정을 설명 가능하게 만드는 혁신적인 기술입니다. 기존의 적대적 학습 방식의 한계를 극복하고, 논리적 규칙을 통합하여 설명의 오류를 수정하는 방식으로 높은 설명 가능성과 성능을 달성했습니다.

국내 연구진이 개발한 ReVISE는 AI 모델의 자기 검증 및 수정 능력을 향상시키는 혁신적인 프레임워크입니다. 내적 검증을 통해 효율적으로 오류를 수정하며, 추론 성능을 크게 개선합니다. 이는 AI의 지능 수준을 한 단계 끌어올리는 획기적인 성과로, 다양한 분야에서 혁신적인 응용이 기대됩니다.

Shiqi Zhang 박사 연구팀이 개발한 Plan-over-Graph는 LLM의 병렬 작업 스케줄링 문제를 해결하는 혁신적인 패러다임입니다. 실제 작업을 하위 작업으로 분해하고 작업 그래프를 생성하여 병렬 실행 계획을 생성하는 방식으로, API 기반 및 오픈소스 LLM 모두에서 성능 향상을 달성했습니다. GitHub에서 코드와 데이터를 공개하여 AI 기술 발전에 기여할 것으로 기대됩니다.

Deng Xun 등 연구진은 LLM 정렬을 위한 새로운 데이터 선택 전략을 제시, 소음 데이터 문제 해결 및 효율성 향상을 통해 기존 성능을 뛰어넘는 결과를 달성했습니다. 데이터의 질적 관리와 효율적인 활용이 LLM 발전의 핵심임을 강조하는 연구입니다.

Lei Zhou와 Youwen Zhu 연구진은 연합 언러닝(FU)의 취약성을 밝히는 FUIA 공격 기법을 발표했습니다. FUIA는 잊혀진 데이터의 개인 정보를 효과적으로 유출시킬 수 있으며, 이는 '잊힐 권리' 보장에 대한 심각한 문제를 제기합니다. 연구진은 방어 메커니즘도 제시했지만, 언러닝 효과 저하라는 트레이드오프를 수반합니다.