
거대 언어 모델의 기억: 구조적 분석과 완화 전략
본 기사는 Tarun Ram Menta, Susmit Agrawal, Chirag Agarwal의 연구를 바탕으로, 거대 언어 모델(LLM)의 기억 문제를 해결하기 위한 새로운 접근 방식을 소개합니다. 연구진은 LLM의 주목 메커니즘(attention module)의 층별 분석을 통해 기억과 일반화 능력의 상관관계를 규명하고, 수학적 이론과 실험적 증거를 통해 LLM의 기억 완화 전략을 제시합니다.

LLM 기반 지식 통합 소프트 센싱: 산업 공정의 새로운 지평을 열다
LLM-TKESS는 대규모 언어 모델을 활용하여 산업 공정의 소프트 센싱 모델링을 개선한 새로운 프레임워크입니다. 보조 변수 시리즈 인코더와 두 단계 미세 조정 전략을 통해 시계열 데이터와 텍스트 기반 지식을 효과적으로 통합하며, 소량의 데이터로도 우수한 예측 성능을 보입니다. 공기 예열기 로터 열 변형 사례 연구를 통해 검증된 LLM-TKESS는 산업 공정의 지능화에 기여할 것으로 기대됩니다.

획기적인 비디오 질문 답변 기술: 비디오 기반 함축 트리 추론
본 논문은 비디오 기반 상식 추론을 위한 새로운 방법인 '비디오 기반 함축 트리 추론'을 제안합니다. 기존 VLMs의 한계를 극복하고, 공정한 평가를 위해 벤치마크 답변 집합 재작성 절차를 고안하였으며, 다양한 실험을 통해 방법의 효과를 검증했습니다. 이는 AI의 비디오 이해 능력 향상에 크게 기여할 것으로 예상됩니다.

LLaVA-Octopus: 지시어 기반 적응형 프로젝터 융합으로 비디오 이해의 지평을 넓히다
LLaVA-Octopus는 사용자 지시에 따라 다양한 시각 프로젝터의 장점을 활용하는 혁신적인 비디오 다중 모달 대규모 언어 모델로, 다중 모달 이해, 시각적 질의 응답, 비디오 이해 등 다양한 작업에서 뛰어난 성능을 보입니다.

뼈대 기반 동작 인식의 혁신: 객체 상호작용 정보를 활용한 새로운 지평
Hao Wen 등 연구진은 인간-객체 상호작용 정보를 활용한 새로운 뼈대 기반 동작 인식 프레임워크를 제안, ST-VGCN 및 새로운 데이터셋(JXGC 24, NTU RGB+D+Object 60)을 통해 기존 기술의 한계를 극복하고 높은 정확도를 달성했습니다.