PartitionGPT는 LLM과 정적 분석을 결합하여 스마트 컨트랙트의 민감한 정보 유출을 방지하는 기술로, 실제 공격 방지 성공률 88%와 코드 감소 효과 30%를 달성하여 스마트 컨트랙트 보안에 혁신을 가져왔습니다.

Abudukelimu Wuerkaixi 등 연구팀이 발표한 논문 "Accurate Forgetting for Heterogeneous Federated Continual Learning"은 연합 연속 학습(FCL)에서 기존의 '완전한 기억' 전략과 달리, 편향된 정보를 '정확하게 잊는' 새로운 접근법을 제시하여 기존 방식보다 우수한 성능을 보였습니다. 정규화 흐름 모델을 활용한 확률적 프레임워크를 통해 이전 지식의 신뢰도를 평가하고 선택적으로 활용하는 전략은 FCL 분야에 중요한 기여를 할 것으로 기대됩니다.

Mingye Zhu 등 연구진이 개발한 OPAD는 추론 단계에서 인간의 선호도에 맞춰 모델 출력을 직접 조정하는 혁신적인 AI 선호도 조정 기술입니다. 기존 기술의 한계를 극복하고, 재훈련 없이 효율적으로 모델을 조정할 수 있으며, 실험 결과 경쟁력 있는 성능을 보였습니다.

대규모 언어 모델(LLM)의 보안 취약성 문제를 다룬 연구 결과 발표. Claude 3, GPT-4, Llama 3 등 주요 LLM의 취약점 탐지율이 낮게 나타났으며, 특정 유형의 취약점에 대한 탐지율이 상대적으로 높았음. 안전한 LLM 응답 생성을 위한 CLI 기반 프롬프팅 도구 개발.

본 기사는 Hao Ma 등이 개발한 인과적 평균장 Q-러닝(CMFQ) 알고리즘에 대해 소개합니다. CMFQ는 평균장 이론과 인과성을 결합하여 다수 에이전트 강화 학습의 확장성 문제를 해결하는 혁신적인 알고리즘으로, 대규모 에이전트 환경에서 뛰어난 성능을 보입니다.