Wang, Guo, Liu 세 연구원은 기대-최대화 알고리즘 기반 자기회귀 모델(EMARM)을 이용하여 모호한 작업장 스케줄링 문제(FJSSP)에 대한 효과적인 해결책을 제시했습니다. EMARM은 정답 레이블 없이도 문제를 해결할 수 있으며, 실험 결과 우수한 성능을 보였습니다.

시카고 공중보건국의 식품업소 검사 일정 최적화 문제를 해결하기 위해, Yi Mao와 Andrew Perrault 연구진은 휴식 없는 다중 무장 밴딧 알고리즘을 확장하여 검사 빈도 및 기간 제약 조건을 만족하면서 검사 효율을 극대화하는 알고리즘을 개발했습니다. 실제 데이터 기반 신경망 모델을 통해 최대 33%의 효율 향상을 달성하였으며, AI를 활용한 공공 서비스 개선의 성공적인 사례를 제시했습니다.

류하오 등 연구진이 개발한 AdapKoopPC는 Koopman 이론과 심층 학습을 결합하여 혼잡한 교통 흐름을 효과적으로 제어하는 시스템입니다. HighD 데이터셋과 시뮬레이션을 통한 검증 결과, 기존 시스템보다 높은 정확도와 효율성을 보였으며, 오픈소스로 공개되어 폭넓은 활용이 기대됩니다.

다목적 강화학습(MORL)을 활용한 전력망 토폴로지 제어 연구는 전력망 혼잡 완화 및 안정성 향상에 괄목할 만한 성과를 거두었습니다. DOL과 MOPPO 알고리즘을 결합한 MORL 접근 방식은 기존 단일 목표 강화학습 정책 대비 훨씬 향상된 성능을 보여주며, 전력 시스템의 미래를 위한 중요한 발걸음이 될 것으로 전망됩니다.

카오 양, 송 자오, 양 치원 연구팀이 개발한 VLFM(Video Latent Flow Matching)은 사전 훈련된 이미지 생성 모델과 HiPPO 프레임워크를 활용하여 캡션 기반 잠재 패치 흐름을 모델링하는 혁신적인 영상 생성 기술입니다. 이 기술은 임의의 프레임 속도로 영상 보간 및 외삽이 가능하며, 시간 척도 강건성 및 경계가 있는 보편적 근사 오차의 이점을 제공합니다.