Yan Wang 등 연구진은 활성 IRS를 활용한 하이브리드 필드 IoT 네트워크에서 채널 추정의 효율성을 높이는 AI 기반 알고리즘 CAEformer를 개발했습니다. 활성 IRS의 하위 블록 분할 전략과 최적의 전력 할당 계수 유도를 통해 채널 모델링 및 추정의 복잡성을 줄이고, 크래머-라오 하한선을 통해 알고리즘의 우수성을 검증했습니다.

6G 통신 환경에서의 지능형 서비스 구현을 위한 혁신적인 아키텍처인 CE-LSLM이 제안되었습니다. 클라우드-에지 협업을 통해 효율적인 추론 및 통신을 구현하며, 키-값 캐시 재사용 및 크로스 노드 병렬 스케줄링 메커니즘을 통해 성능을 극대화합니다. 실험 결과는 CE-LSLM의 뛰어난 적응성과 확장성을 입증했습니다.

본 연구는 젠더 수행성 이론을 활용하여 AI 언어 모델의 성별 편향 문제를 분석하고, 단순한 통계적 연관성을 넘어 젠더의 사회적 구성에 대한 심층적 이해의 중요성을 강조합니다. 대규모 언어 모델의 성능 향상이 오히려 성별 편향을 심화시킬 수 있다는 점을 발견하고, 성별 편향 문제 해결을 위한 새로운 접근 방식의 필요성을 제기합니다.

본 연구는 대규모 언어 및 음성 모델의 임베딩을 사용하여 언어 생성 중의 신경 활동을 성공적으로 재구성함으로써, 뇌-컴퓨터 인터페이스 및 뇌 질환 치료 등 다양한 분야에 혁신적인 가능성을 제시합니다. 높은 상관계수는 모델의 정확성을 보여주며, 앞으로의 연구 발전에 대한 기대감을 높입니다.

Soroush Hashemifar와 Sherry Sahebi가 개발한 KMaP 모델은 기존의 학생 지식 추적 및 행동 모델링의 한계를 극복하고, 개인 맞춤형 학습 자원 예측의 정확도를 높였습니다. 클러스터링 기반 학생 프로파일링을 통해 학생 개개인의 특성을 고려한 맞춤형 학습 경험을 제공합니다.