송재우, 임방젠 박사 연구팀의 SplitQuant는 딥러닝 모델 양자화의 정확도 저하 문제를 해결하는 혁신적인 방법을 제시합니다. 계층 분할 및 스케일링 팩터 조정을 통해 이상치의 영향을 완화하고 양자화 해상도를 높여, BERT-Tiny 모델에서 FP32 모델 수준의 정확도를 달성했습니다.

SafePowerGraph-HIL은 실시간 HIL 시뮬레이션과 HGNN을 결합하여 전력 시스템의 AI 기반 제어 알고리즘을 실제 환경에서 검증하는 혁신적인 프레임워크입니다. Hypersim 기반의 고충실도 데이터 생성과 AWS 클라우드 기반 데이터 관리를 통해 효율적이고 정확한 검증이 가능하며, 이는 더욱 안정적이고 탄력적인 미래 전력망 구축에 기여할 것으로 기대됩니다.

중국과학원 연구팀이 개발한 PDPC 프레임워크는 거대 언어 모델(LLM)의 사전 훈련 과정에 모델의 선호도를 반영하는 혁신적인 방법론입니다. PD 지표를 통해 모델의 학습 난이도를 측정하고, 이를 기반으로 데이터를 재배치하여 학습 효율을 극대화합니다. 실험 결과, PDPC는 기존 방식보다 월등한 성능 향상을 보였으며, 특히 30억 파라미터 모델에서 4.1% 이상의 정확도 향상을 기록했습니다.

Fatih Aksu 등 연구팀이 CT와 PET 영상의 다단계 중간 융합을 통해 NSCLC 아형 분류의 정확도를 향상시킨 연구 결과를 발표했습니다. 이 방법은 정확도 0.724, AUC 0.681을 달성, 비침습적 폐암 진단 및 개인 맞춤형 치료의 발전에 기여할 것으로 기대됩니다.

Wang, Liu, Liu 세 연구자가 개발한 MMCL 프레임워크는 다중 모달리티 감정 분석에서 모달리티 간의 상호작용을 증진시켜 감정 분석의 정확도를 크게 향상시켰습니다. 매개변수 없는 분리 모듈과 강화 학습 기반의 정책 모델을 활용하여 상호 보완적인 감정 특징을 효과적으로 추출하는 MMCL은 향후 감정 분석 연구에 중요한 전환점을 마련할 것으로 기대됩니다.