중국과학원 자동화연구소 연구팀이 개발한 UniVLA는 잠재 행동 모델을 이용하여 다양한 환경과 로봇 형태에 적용 가능한 혁신적인 로봇 학습 프레임워크입니다. 적은 데이터와 연산으로 OpenVLA를 능가하는 성능을 보이며, 로봇 기술의 확장성과 효율성을 크게 높일 것으로 기대됩니다.

본 연구는 AI 기반 ITS 시스템에 대한 데이터 중독 공격의 위험성을 강조하고, 기존 연구의 한계를 극복한 새로운 공격 모델과 세미-도함수 하강법을 제시합니다. 이는 ITS 분야뿐 아니라 AI 시스템 보안 전반에 중요한 시사점을 제공합니다.

본 연구는 AI 모델의 특징 중요도를 분석하는 새로운 접근법을 제시합니다. '충분한 이유' 개념을 바탕으로 관련성과 필요성을 구분하고, 특히 복잡한 모델에서도 효율적인 분석을 가능하게 하는 알고리즘을 개발했습니다. 또한, 모델 전체의 동작에 대한 특징의 중요도를 평가하는 '유용성' 개념을 도입하여 AI 모델의 설명 가능성과 신뢰성을 향상시키는 데 기여할 것으로 기대됩니다.

Quentin Cohen-Solal 연구원의 연구를 통해 완벽 정보 2인 제로섬 게임에서 기존 알고리즘을 뛰어넘는 새로운 탐색 알고리즘이 개발되었습니다. 이 알고리즘은 다양한 게임에서 뛰어난 성능을 보였으며, 게임 AI 분야의 발전에 크게 기여할 것으로 기대됩니다.

Zhang 등의 연구진이 개발한 HTA-KL 다이버전스는 SNN의 지식 증류 과정에서 기존 KL 다이버전스의 한계를 극복하고, 고·저확률 영역의 균형 있는 지식 전달을 통해 성능 향상을 이끌어냈습니다. CIFAR-10, CIFAR-100, Tiny ImageNet 데이터셋에서 우수한 성능을 검증하였습니다.