Zhang과 Lan이 개발한 LiZero 알고리즘은 Lipschitz 연속성과 적응형 UCT(aUCT)를 활용하여 비정상적인 환경에서의 평생 학습 문제를 해결합니다. 데이터 기반 및 모델 기반 접근 방식을 통해 효율적인 aUCT 계산을 가능하게 하며, 실험 결과 기존 MCTS 대비 3~4배 향상된 수렴 속도를 보였습니다.

Wu와 Nakayama 연구팀은 약하게 감독되는 학습 방식을 이용한 혁신적인 신경 기호 추론 시스템을 개발하여, AI가 수학 문제의 중간 단계를 스스로 탐색하고 해결할 수 있도록 했습니다. 수학 데이터셋 실험 결과, 기존 방법보다 우수한 성능을 보였으며, 복잡한 추론 문제 해결의 새로운 가능성을 제시했습니다.

본 기사는 Wang, Li, Xu 세 연구자의 논문 "AI Scaling: From Up to Down and Out"을 바탕으로, AI 확장의 패러다임 전환을 조명합니다. 기존의 단순한 모델 확장(Scaling Up)에서 벗어나, 효율성과 지속가능성을 고려한 축소(Scaling Down)와 분산(Scaling Out) 전략을 통해 다양한 분야에서 혁신을 가져올 수 있음을 제시합니다.

Xue, Li, Mirzasoleiman 연구팀은 약한 모델이 강한 모델을 지도하는 '약-강 일반화(W2SG)' 현상을 수학적으로 규명하고, 약한 지도의 오류가 강한 모델에 의해 수정될 수 있음을 밝혔습니다. 이 연구는 W2SG 성능을 예측하는 표현 기반 지표를 제시하여 AI 개발에 중요한 시사점을 제공합니다.

오유진 박사 연구팀이 최적 제어 이론에 기반한 분포 인식 전문가 혼합 모델(dMoE)을 개발하여 의료 영상 분할에서의 공정성 문제를 해결했습니다. 다양한 데이터셋 실험을 통해 기존 방법보다 우수한 성능을 입증하였으며, 공개될 소스 코드를 통해 더 많은 연구자들의 활용이 기대됩니다.