A*-Decoding은 제한된 컴퓨팅 자원에서도 우수한 성능을 발휘하는 혁신적인 추론 전략으로, 기존 방식보다 적은 자원으로 동등하거나 더 나은 결과를 달성하여 언어 모델의 효율적인 배포에 새로운 가능성을 제시합니다.

Mahmood Hegazy, Aaron Rodrigues, Azzam Naeem 연구팀이 개발한 다중 에이전트 프레임워크 MAFA는 기존 단일 모델 방식의 한계를 극복하고, FAQ 주석 작업에서 뛰어난 성능을 보이는 혁신적인 기술입니다. ARQ 기반 구조적 추론과 특화된 퓨샷 학습 전략을 통해 다양한 질의에 대한 정확도와 효율성을 높였으며, 실제 및 공개 데이터셋에서 우수한 성능을 검증했습니다.

대만 국립 교통대학교 연구팀이 개발한 SRGCL은 모델 자체의 인코더를 활용하여 고품질의 긍정적 샘플 쌍을 동적으로 선택하는 혁신적인 그래프 대조 학습 프레임워크입니다. 다양한 그래프 수준 분류 작업에서 최첨단 GCL 방법들을 능가하는 성능을 통해 그 효과를 입증했습니다.

본 연구는 EU의 사이버 보안 법규인 CRA와 MITRE ATT&CK 프레임워크의 정합성을 평가하여, 법과 기술 간의 격차 해소 방안을 제시합니다. 대부분 일치하지만, 데이터 처리, 취약점 관리, 위협 인텔리전스 등 일부 격차가 존재하며, 이는 향후 개선 방향을 제시합니다.

Song 등(2025)이 개발한 IPENS는 NeRF와 SAM2를 융합한 혁신적인 비지도 학습 기반 식물 표현형 분석 방법으로, 벼와 밀에서 높은 정확도와 속도를 보여주며 지능형 육종 효율 향상에 크게 기여할 것으로 기대됩니다.