중국 연구진이 개발한 Solver-Informed Reinforcement Learning(SIRL)은 대규모 언어 모델(LLM)의 한계를 극복하고 최적화 모델링의 정확성을 크게 향상시킨 혁신적인 방법입니다. 외부 최적화 솔버를 활용한 강화 학습을 통해 생성된 모델의 정확성을 검증하고, 고품질 훈련 데이터를 생성하여 기존 방법보다 훨씬 우수한 성능을 보입니다.

Gina Wong 등 연구팀은 컨포멀 예측에서 다중 예측 집합의 가중치 부여를 통해 커버리지를 향상시키는 새로운 프레임워크를 제안했습니다. 데이터 종속 가중치를 활용하여 적응적 커버리지를 제공하며, 실험 결과를 통해 기존 방법보다 우수한 성능을 입증했습니다.

Zeinab Shiralizadeh의 연구는 대용량 데이터 스트림을 위한 병렬 의사결정 트리 학습 알고리즘 pdsCART를 제시합니다. 실시간 학습, 병렬 처리, MapReduce 통합이라는 세 가지 핵심 기능을 통해 빅데이터 시대의 실시간 분석 요구에 효과적으로 대응하며, 금융, 소셜 미디어, 자율주행 등 다양한 분야에 적용될 가능성을 보여줍니다.

Jiali Chen과 Avijit Mukherjee의 연구는 그래프 표현 학습에 있어 대조 및 생성 학습의 장점을 결합한 혁신적인 아키텍처를 제시, 노드 분류, 클러스터링, 링크 예측 등 다양한 작업에서 최첨단 성능을 달성했습니다. 커뮤니티 인식 노드 레벨 대조 학습과 포괄적인 증강 전략을 통해 0.23%~2.01%의 성능 향상을 기록, 그래프 표현 학습 분야에 중요한 발전을 가져왔습니다.

하버드 대학원생들이 제작한 응용 수학 문제 벤치마크 HARDMath2는 최첨단 LLM의 수학적 추론 능력의 한계를 드러내며, 동시에 LLM 발전과 수학 교육의 새로운 방향을 제시하는 중요한 의미를 지닌 연구 성과입니다.