한지, 풍유기, 판자하오, 손야난 연구팀이 개발한 CARL 모델은 인과 관계를 고려한 아키텍처 표현 학습을 통해 기존 성능 예측 모델의 한계를 극복하고, 뛰어난 정확도와 해석 가능성을 달성했습니다. 5가지 NAS 검색 공간에서 최첨단 성능을 보였으며, 특히 CIFAR-10에서 97.67%의 top-1 정확도를 기록했습니다.

Mario Alviano, Laura Giordano, Daniele Theseider Dupré 세 연구자가 발표한 조건부 답집합 프로그래밍(Conditional ASP) 프레임워크는 조건부 논리와 ASP를 결합하여 불확실성과 모호성을 지닌 문제에 대한 더욱 정교한 모델링과 추론을 가능하게 합니다. 다중 선호도 의미론과 KLM 선호도 의미론을 활용하여, 기존 연구 성과와의 호환성을 확보하고 다양한 분야에 응용될 잠재력을 가지고 있습니다.

김현기 등 연구팀이 개발한 CAROTS는 인과 관계를 고려한 대조 학습 기반의 다변량 시계열 이상 탐지 모델로, 기존 모델보다 향상된 성능을 보이며 GitHub를 통해 코드를 공개했습니다.

NeuroVoc이라는 새로운 보코더 프레임워크는 생물학적으로 타당한 모델을 사용하여 청각 인지와 인공와우 이식을 시뮬레이션합니다. 모델의 유연성과 실험 결과의 정확성을 통해 인공와우 이식 기술 발전에 크게 기여할 것으로 예상됩니다.

이종 분산 학습(HtFL)의 중요성이 커지고 있는 가운데, 장젠칭 등 연구진이 개발한 HtFLlib는 다양한 데이터셋, 모델 아키텍처, HtFL 방법론을 통합한 벤치마크 플랫폼으로서, 의료 및 센서 신호 모달리티 등 다양한 분야의 연구 및 응용 확대에 기여할 것으로 기대됩니다.