IRepair는 대규모 언어 모델의 데이터 기반 오류를 효과적으로 수정하는 새로운 방법입니다. 모델의 오류 집중 부분만을 선택적으로 수정하여 기존 방식보다 오류 수정 효과는 43.6% 높이고 성능 저하는 46% 낮추는 결과를 보였습니다.

본 논문은 컨텍스트를 고려한 톰슨 샘플링 알고리즘의 새로운 프레임워크를 제시합니다. 미래 결과의 누락을 불확실성의 근원으로 보고, 생성 모델을 이용하여 누락된 결과를 예측하고 이를 바탕으로 의사결정을 하는 방식입니다. 이 알고리즘은 최첨단 후회 상한선을 가지며, 공정성 및 자원 제약 등 다양한 상황에 적용 가능하다는 장점이 있습니다.

Parisa Hamedi, Roozbeh Razavi-Far, 그리고 Ehsan Hallaji가 작성한 논문 "Federated Continual Learning: Concepts, Challenges, and Solutions"는 분산 환경에서 지속적 학습을 가능하게 하는 FCL(Federated Continual Learning)의 개념, 과제, 그리고 해결책을 종합적으로 다룹니다. 데이터 이질성, 모델 안정성, 개인정보 보호 등의 문제점을 분석하고 해결책을 제시하며, 실제 응용 가능성을 높입니다.

Amy Yu 등 연구진이 개발한 Deep Agent는 계층적 작업 DAG(HTDAG) 프레임워크를 기반으로 한 자율적 심층 에이전트로, 재귀적 2단계 계획-실행 아키텍처, 자율 API 및 도구 생성(AATC) 시스템, 프롬프트 최적화 기술을 통해 복잡한 다단계 작업을 효율적이고 안정적으로 처리합니다.

Pascal Stiefenhofer의 논문은 AGI로 인한 일자리 감소와 경제적 불평등 심화 문제를 제기하며, 보편적 기본소득(UBI), 공공 또는 협동조합 소유의 AGI, AGI 자본에 대한 누진세 도입을 통해 사회적 안정을 유지해야 한다고 주장합니다.