본 연구는 AI 라벨링 시스템을 평가하여 AI 개발의 신뢰성을 높이는 방안을 제시합니다. 연구진은 질적 인터뷰를 통해 AI 라벨링의 장점과 한계를 분석하고, 사용자 맞춤형 및 상호 작용적인 라벨링 프레임워크 개발의 필요성을 강조합니다. 또한, AI 개발 과정에서 지속 가능성을 고려해야 함을 시사합니다.

Lian Junhong 등 연구팀이 개발한 SCAPE는 대규모 언어 모델과 대조 학습 기반 계층적 융합 네트워크를 활용하여 사용자의 스타일 및 콘텐츠 선호도를 모두 고려하는 개인화된 뉴스 헤드라인 생성 모델입니다. 실제 데이터셋 PENS를 통한 실험 결과 기존 모델보다 우수한 성능을 보였습니다.

중국 연구진이 개발한 Rel-SAR 모델은 벡터 심볼 아키텍처(VSA)와 다양한 관계 표현을 활용하여 추상적 시각적 추론 문제 해결에 탁월한 성능을 보였습니다. 해석 가능성과 일반화 성능을 향상시킨 이 모델은 인공지능 분야의 혁신적인 발전으로 평가받고 있습니다.

He Yu와 Jing Liu가 개발한 CTWalks는 매개변수가 없는 시간적 워크 샘플링, 커뮤니티 기반 익명화, ODE 기반 연속 시간 모델링을 통합하여 동적 그래프의 시간적 및 구조적 역동성을 정확하게 표현하는 혁신적인 프레임워크입니다. 시간적 링크 예측에서 우수한 성능을 보이며, 동적 그래프 분석 분야에 새로운 가능성을 제시합니다.

중국과학원 연구진이 개발한 Aggregation Fine-Tuning(AFT)은 기존의 거대 언어 모델 학습 방식을 혁신적으로 개선한 기술입니다. 소량의 데이터로도 대규모 모델을 능가하는 성능을 달성하며, 추론 시간의 계산 자원을 유연하게 확장할 수 있는 효율성까지 갖추었습니다. AFT는 향후 AI 발전에 큰 영향을 미칠 것으로 기대됩니다.