Shi 등(2025)의 연구는 역동적인 환경에서의 소스 위치 추적 문제에 대한 새로운 계층적 강화 학습 프레임워크를 제시합니다. 베이지안 추론과 강화 학습, 그리고 주목도 향상된 입자 필터링을 통합하여 기존 방법들의 한계를 극복하고, 우수한 정확성, 적응성, 계산 효율성을 달성했습니다.

Mawaba Pascal Dao와 Adrian M. Peter 연구팀은 활성 추론과 자유 에너지 원리를 활용하여 MCTS 알고리즘을 개선, 불확실한 환경에서의 의사결정 성능을 향상시켰습니다. 다양한 연속 제어 작업에서 기존 알고리즘을 능가하는 성능을 입증했습니다.

본 논문은 기계 학습(ML)이 나이트의 불확실성(KU)이라는 중요한 측면을 간과하고 있으며, 진정한 강건한 오픈월드 AI를 위해서는 진화론적 접근을 포함한 새로운 연구 방향이 필요함을 주장합니다.

Ang Lv 등 8명의 연구진이 발표한 'Autonomy-of-Experts Models' 논문은 기존 MoE 모델의 한계를 극복하기 위해 전문가 모듈의 자율성에 기반한 새로운 AoE 모델을 제안합니다. 라우터를 제거하고 전문가의 자기 평가 및 상호 비교를 통해 최적의 전문가를 선택하는 AoE는 7억~40억 개의 파라미터를 가진 언어 모델 사전 학습 결과 기존 MoE 모델보다 우수한 성능을 보였습니다.

본 연구는 분포형 동적 계획법과 주식 증강 기법을 결합하여 수익 분포의 통계적 함수를 최적화하는 새로운 강화학습 방법을 제시합니다. 다양한 문제에 적용 가능성을 보이며, 특히 DQN과의 결합을 통해 실제 문제 해결에 대한 가능성을 제시합니다. 향후 AI 분야의 발전에 크게 기여할 것으로 기대됩니다.