related iamge

딥러닝의 블랙박스를 벗겨내다: 시간적 정책 분해(TPD)를 통한 강화학습 설명가능성 연구

Franco Ruggeri 등 연구진이 발표한 "Explainable Reinforcement Learning via Temporal Policy Decomposition" 논문은 시간적 정책 분해(TPD)라는 새로운 방법론을 통해 강화학습(RL)의 설명가능성을 향상시켰습니다. TPD는 RL 에이전트의 행동을 예상되는 미래 결과(EFO) 시퀀스로 설명하여, 의사결정 과정의 투명성을 높이고 보상 함수의 미세 조정을 가능하게 합니다.

related iamge

SPECTRE: 휘발성 메모리 내 적응형 최적화 사이버 위협 탐지 및 대응 시스템

SPECTRE는 Volatility JSON 포맷을 활용한 호환성, 에뮬레이션 기능을 통한 안전한 실험 환경, 그리고 이상 탐지 및 IP 포렌식 모듈을 통한 강화된 위협 인텔리전스 제공으로 첨단 사이버 위협 대응에 혁신을 가져올 솔루션입니다.

related iamge

LLaVA-Mini: 하나의 비전 토큰으로 효율성을 극대화한 혁신적인 다중 모달 모델

LLaVA-Mini는 비전 토큰 수를 획기적으로 줄여 효율성을 높인 다중 모달 모델로, 단 하나의 비전 토큰으로도 기존 모델을 능가하는 성능을 보이며, 빠른 응답 속도와 높은 처리량을 제공합니다.

related iamge

해석 가능하고 편집 가능한 AI 정책 학습의 혁신: Neural DNF-MT

Kexin Gu Baugh, Luke Dickens, Alessandra Russo가 개발한 Neural DNF-MT는 심층 강화 학습의 블랙박스 문제를 해결하는 신경 기호 접근 방식입니다. 해석 가능하고 편집 가능한 정책을 제공하며, 다양한 과제에서 기존 방식과 비슷한 성능을 보였습니다. AI의 신뢰성과 투명성을 높이는 데 크게 기여할 것으로 기대됩니다.

related iamge

3D 거대 다중 모달 모델의 혁신: CL3DOR 등장!

김건우, 조영재, 황태백, 조민수, 한상도 연구팀이 개발한 CL3DOR은 고해상도 포인트 클라우드와 Odds ratio 기반 대조 학습을 활용하여 3D 거대 다중 모달 모델의 성능을 크게 향상시켰습니다. 기존 데이터셋의 한계를 극복하고 3D 장면 이해 및 추론 분야에서 최첨단 성능을 달성했습니다.