Hu, Feng, Li 세 연구원이 개발한 BMG-Q 알고리즘은 승차 공유 주문 배차 시스템의 효율성과 안정성을 획기적으로 개선했습니다. 국소 이분 매칭 그래프와 GATDDQN, ILP를 활용하여 기존 알고리즘보다 누적 보상을 10% 향상시키고 과대 추정 편향을 50% 이상 감소시키는 성과를 달성했습니다. BMG-Q는 자율 주행 및 스마트 모빌리티 분야에 혁신적인 영향을 미칠 것으로 기대됩니다.

Xiong, Yang, Song, Wang, Xu 연구팀이 개발한 Pilot 프레임워크는 분산된 환경에서 다양한 유형의 데이터를 활용하여 대규모 언어 모델을 효율적으로 학습시키는 혁신적인 연합 학습 방법입니다. '어댑터 위의 어댑터'와 적응적 매개변수 집계 전략을 통해 작업 이질성에 영향받지 않고 작업 간 지식 학습을 가능하게 하여 AI 모델의 성능 향상에 기여할 것으로 기대됩니다.

카이스트 연구팀이 개발한 단일 사이클 구조화 가지치기는 기존의 다단계 훈련 과정의 단점을 극복하고, 훈련 시간을 단축하면서도 최첨단의 정확도를 달성하는 혁신적인 딥러닝 기술입니다. 놈 기반 그룹 중요도 기준과 구조적 희소성 규제, 그리고 새로운 가지치기 지표를 활용하여 안정적이고 효율적인 가지치기를 수행합니다.

Bhumika Gupta 등 연구진은 LLM을 활용하여 암 진료 지침을 그래프로 모델링하고, 정확한 질의응답 시스템을 개발했습니다. 제로샷 및 퓨샷 학습을 통해 높은 정확도를 달성했으며, LLM의 환각 문제를 해결하여 의료 분야에서 AI의 활용 가능성을 높였습니다.

Yang Fan 연구팀의 AdEval은 LLM 평가에서 데이터 오염 문제를 해결하기 위한 혁신적인 동적 평가 방법으로, Bloom's taxonomy 기반의 다차원 평가를 통해 LLM의 성능을 더욱 정확하고 공정하게 평가하는 데 기여합니다.