본 논문은 IRS와 MEC를 결합한 차량 네트워크 아키텍처를 제안하고, 생성적 확산 모델(GDM) 기반 슈타켈베르크 게임(GDMSG) 접근 방식을 통해 작업 오프로딩, IRS 위상 편이 벡터, 컴퓨팅 자원 할당을 최적화하여 총 작업 완료 지연 시간과 에너지 소비를 최소화하는 방법을 제시합니다. 시뮬레이션 결과, 제안된 GDMSG는 기존 방법보다 우수한 성능을 보였습니다.

COMPASS는 비전-언어 모델과 동적 스킬 라이브러리를 결합한 혁신적인 다중 에이전트 아키텍처로, SMACv2에서 최대 30% 향상된 승률을 달성하며 다중 에이전트 협업의 새로운 가능성을 제시했습니다.

Xinyu Li와 Marwa Mahmoud가 개발한 AGCM(Attention-Guided Concept Model)은 다중 모달 데이터를 사용하여 인간 행동을 모델링하는 새로운 딥러닝 프레임워크입니다. 해석 가능성을 중시하여 EU GDPR의 요구사항을 충족하며, 얼굴 표정 인식 등 다양한 분야에서 효율성을 입증했습니다.

Zhaomin Wu 등 연구진이 개발한 Leal(Latent Entity Alignment Learning) 프레임워크는 공유 특징이나 사전 정렬 데이터 없이 관계형 표 데이터 학습을 가능하게 합니다. 실험 결과 최대 26.8%의 성능 향상을 보였으며, 관계형 데이터 분석 분야에 혁신을 가져올 것으로 기대됩니다.

소형 VLM과 구조적 분할을 활용하여 훈련 없이 이미지 캡션의 다양성과 정보성을 향상시키는 새로운 방법이 제시되었습니다. MSCOCO, Flickr30k, Nocaps 데이터셋에서 대형 모델과 유사한 성능을 달성하며, 모바일 기기 및 보조 기술에서의 AI 접근성 향상에 기여할 것으로 기대됩니다.