본 기사는 Liu 등 (2025)의 연구를 바탕으로 연합학습에서의 과정 수정 문제와 이를 해결하는 TACO 알고리즘에 대해 소개합니다. TACO는 클라이언트별 맞춤형 접근 방식과 경량화된 설계로 효율성과 정확성을 향상시켜 연합학습의 실용성을 높였습니다.

Radia Berreziga 등 연구진은 GCN과 LLM을 결합한 새로운 약물 발굴 방법을 제시했습니다. LLM의 화학적 지식을 GCN 각 계층에 통합하여 기존 방식보다 높은 정확도(F1-score 88.8%)와 효율성을 달성했습니다. 이 연구는 AI 기반 약물 발굴 분야의 혁신적인 발전을 보여줍니다.

본 연구는 기존 시계열 예측의 한계를 극복하고 실제 응용 분야에 최적화된 새로운 훈련 방법을 제시합니다. 동적 가중치 조정을 통해 예측 정확도와 최종 응용 프로그램 성능을 향상시키는 이 방법은 예측과 의사결정의 연결을 강화하여 다양한 분야에 혁신적인 변화를 가져올 것으로 기대됩니다.

Plasticine 프레임워크는 딥 강화 학습에서의 Plasticity 손실 문제 해결을 위한 획기적인 오픈소스 벤치마크입니다. 13가지 이상의 완화 방법, 10가지 평가 지표, 다양한 학습 시나리오 제공으로 연구의 체계적인 진행을 가능하게 합니다.

Pan 등 연구진이 발표한 논문 "Enhanced Sample Selection with Confidence Tracking" 은 잡음이 많은 데이터에서 정확한 라벨링에도 불구하고 모델 학습이 어려운 샘플을 효과적으로 식별하는 새로운 방법을 제시합니다. 신뢰도 추세 분석과 Mann-Kendall Test를 활용하여 기존 방법의 정밀도와 재현율 간 상충 관계를 해결하고, AI 모델 학습 성능을 향상시켰습니다.