
AV-EmoDialog: 감정적 단서를 활용한 시청각 사용자와의 대화
박세진, 김연주, 라형섭, 고디바 벨라, 로용만 연구팀이 개발한 AV-EmoDialog는 음성과 시각 정보를 통해 사용자의 감정을 인식하고, 맥락에 맞는 감정적으로 적절한 응답을 생성하는 혁신적인 대화 시스템입니다. 기존의 다중 모달 LLM보다 성능이 뛰어나며, 감정 지능형 AI 시대의 도래를 예고합니다.

극소량의 데이터로 로봇 지능 향상: FLARE의 혁신적인 접근 방식
김태웅, 김병휘, 최종현 연구원이 개발한 FLARE는 소량의 데이터로 고성능 로봇 계획을 가능하게 하는 혁신적인 시스템입니다. LLM과 환경 인식, 시각적 단서를 통합하여 언어 명령의 모호성과 오류를 해결하고, 최첨단 기술을 뛰어넘는 성능을 보입니다.

LLM4AD: 거대한 언어 모델로 알고리즘 설계의 새 지평을 열다
Fei Liu 등 9명의 연구진이 개발한 LLM4AD는 LLM을 활용한 알고리즘 설계 플랫폼으로 모듈화된 설계, 다양한 지원 자료, 통합 평가 환경을 제공하여 사용자 친화적인 환경을 구축했습니다. 이는 AI 알고리즘 설계의 민주화와 LLM 기반 알고리즘 연구의 발전에 크게 기여할 것으로 예상됩니다.

건물 에너지 예측의 혁신: 대조적 커리큘럼 학습 기반 시계열 기초 모델
량루이 등 연구진이 발표한 논문은 기초 모델(FM)을 건물 에너지 예측(BEF)에 적용하는 새로운 방법론을 제시합니다. 대조적 커리큘럼 학습 기반 훈련 방법을 통해 기존 FM 대비 제로/퓨샷 성능을 14.6% 향상시켰으며, 에너지 효율 향상 및 지속 가능한 건물 관리에 기여할 것으로 기대됩니다.

STAR-RIS 지원 SWIPT 시스템: 능동형 vs 수동형 – 최적의 선택은 무엇일까요?
본 기사는 STAR-RIS를 이용한 SWIPT 시스템에서 능동형과 수동형 STAR-RIS의 성능 비교 분석에 대한 최신 연구 결과를 소개합니다. 연구 결과에 따르면, 능동형 STAR-RIS는 소형일 때 성능이 우수하지만, 크기가 커지거나 전력 예산이 제한적인 경우 수동형 STAR-RIS가 더 효율적일 수 있습니다. 이는 시스템 설계 시 비용, 크기, 성능 등 여러 요소를 종합적으로 고려해야 함을 시사합니다.