FedGrAINS는 GFlowNets 기반의 데이터 적응형 샘플링을 통해 개인화된 서브그래프 연합 학습의 문제점을 해결, 기존 방법 대비 성능 향상을 보이며 데이터 보호와 AI 학습 성능 향상이라는 두 마리 토끼를 잡았습니다.

스페인 연구팀이 개발한 CHaRNet은 치아 랜드마크를 자동으로 감지하는 최초의 엔드투엔드 딥러닝 시스템으로, 높은 정확도와 효율성을 자랑하며 치과 의료의 혁신을 이끌 것으로 기대됩니다. 데이터셋과 코드 공개를 통해 더 많은 연구가 활발해질 것으로 예상됩니다.

Hang Wang 등 8명의 연구진이 개발한 AdaWM은 세계 모델 기반 강화학습을 이용한 자율주행 계획 방법으로, 기존 방식의 한계를 극복하고 효율적이고 강력한 자율주행 성능을 달성하였습니다. 불일치 식별 및 정렬 기반 미세 조정이라는 두 가지 핵심 단계를 통해 정책 및 역학 모델의 불일치 문제를 해결하여 자율주행 시스템의 성능을 크게 향상시켰습니다.

김명수 외 연구팀이 개발한 NBDI 알고리즘은 상태-행동 참신성 모듈을 활용하여 스킬 종료 조건을 효과적으로 식별하는 혁신적인 기술입니다. 복잡한 장기 작업에서 우수한 성능을 보이며, 다양한 환경 변화에도 효과적임을 입증했습니다. 이는 AI 스킬 학습 분야에 큰 발전을 가져올 것으로 기대됩니다.

Ghazal Asemian 등 연구팀은 능동형 RIS를 활용한 혁신적인 방법으로 5G URLLC 네트워크의 재밍 공격 취약성을 해결했습니다. 실제 트래픽 모델을 적용한 분석 결과, RIS 요소 증가 및 시스템 최적화를 통해 SJNR 13.64%, 에너지 효율 31.68% 향상을 달성했습니다. 이는 안전하고 효율적인 5G URLLC 시대를 여는 중요한 성과입니다.