Yu Wu 등 연구진이 발표한 논문 "Learning to Help in Multi-Class Settings"는 제한된 자원 환경에서의 효율적인 다중 클래스 분류를 위한 새로운 Learning to Help (L2H) 모델을 제시합니다. 기존의 Learning to Defer (L2D) 모델과 달리 고정된 로컬 모델을 기반으로 서버 모델을 학습하며, Bayes 규칙과 일치하는 미분 가능하고 볼록한 손실 함수를 도입하여 성능을 향상시켰습니다. 실험 결과는 다양한 실제 환경에서의 효율성과 실용성을 입증했습니다.

본 기사는 Zhang 등 (2025)의 연구를 바탕으로 파라미터 효율적인 미세 조정(PEFT) 기술이 기초 모델(FM)의 활용성을 극대화하는 데 기여하는 방법을 소개합니다. PEFT의 다양한 기법과 응용 사례를 분석하고, 미래 연구 방향을 제시하여 AI 분야의 발전에 대한 전망을 제시합니다.

본 기사는 기계 학습 기반 안드로이드 악성코드 탐지 시스템의 취약점을 해결하는 ADD 프레임워크에 대한 연구 결과를 소개합니다. ADD는 실제 악성코드를 생성하는 문제 공간 공격에 효과적으로 대응하며, 실제 안티바이러스 솔루션에서도 효과가 검증되었습니다.

대규모 언어 모델의 발전을 위해서는 단순히 데이터 양의 확장이 아닌, 데이터의 질과 구조, 그리고 작업 특성을 고려한 의도적인 데이터 확장 전략이 필요하다는 연구 결과가 발표되었습니다. 데이터 토폴로지 분석을 통해 효율적인 데이터 확장 전략을 수립하고, 데이터 확장이 비효율적인 작업을 위한 새로운 컴퓨팅 패러다임 개발이 중요하다는 점을 강조합니다.

본 연구는 대규모 오디오 언어 모델(LALM)의 탈옥 공격에 대한 취약성을 밝히고, 오디오 편집을 통해 LALM을 조작하는 방법을 제시합니다. 연구진이 개발한 오디오 편집 툴박스(AET)와 편집된 오디오 데이터셋(EAD)은 향후 LALM 보안 연구에 중요한 기여를 할 것으로 기대됩니다.