본 논문은 엣지-클라우드 환경에서 다중 모달 대규모 언어 모델(MLLM)의 효율적인 배포를 위해 PSO와 ACO 알고리즘을 결합한 하이브리드 군집 지능 프레임워크를 제안합니다. 실험 결과, 정확도 향상, 통신 비용 절감, 클라이언트 참여율 증가 등의 성과를 보이며 기존 방법 대비 우수성을 입증했습니다.

본 기사는 협력 게임 이론의 섀플리 값을 활용하여 LLM 에이전트의 모듈별 기여도를 평가하는 새로운 벤치마크인 CapaBench를 소개합니다. CapaBench는 1,500개 이상의 데이터셋을 기반으로 각 모듈의 성능 향상에 대한 통찰력을 제공하며, LLM 에이전트의 효율적인 최적화와 실제 세계 문제 해결에 기여할 것으로 기대됩니다.

본 기사는 에이전트 AI의 등장으로 인해 발생하는 저작권, 책임, 시장 경쟁 등 다양한 문제점과 이에 대한 해결 방안을 제시하는 논문 "Agentic AI: Autonomy, Accountability, and the Algorithmic Society"를 소개합니다. 특히, AI의 자율성과 책임성 간의 균형, 그리고 다학제적 협력을 통한 윤리적인 AI 개발의 중요성을 강조합니다.

J. Toutouh, S. Nesmachnow, 그리고 E. Alba의 연구는 진화 알고리즘과 병렬 몬테카를로 시뮬레이션을 활용하여 VANET의 AODV 라우팅 프로토콜 에너지 소모를 획기적으로 줄이는 방법을 제시합니다. 서비스 품질 저하 없이 에너지 효율을 크게 개선한 결과는 자율주행 시대의 지속가능한 교통 시스템 구축에 중요한 의미를 지닙니다.

본 기사는 Zhang 등의 연구(2025)를 바탕으로 그래프 신경망에서의 과다평활 문제를 순위 기반 관점에서 재해석합니다. 기존의 에너지 기반 측정 방식의 한계를 지적하고, 특징 표현의 순위를 이용한 새로운 측정 방식을 제시하며, 이론적 증명과 실험 결과를 통해 그 우수성을 입증합니다.