LG AI Research가 ICML 2024에서 강화 학습과 확산 모델을 결합해 조합 최적화 문제를 해결하는 CADO 연구를 발표했다.
LG AI연구원이 확산 모델과 강화학습을 결합해 조합 최적화 문제를 해결하는 CADO 연구를 ICML 2024에서 발표했다.
ACL 2024에서 발표된 LLM의 한계 극복을 위한 최신 연구 트렌드와 LG AI Research의 성과를 소개한다.
ACL 2024 튜토리얼 세션을 통해 LLM의 텍스트 생성 평가 방식과 취약점 등 최신 연구 트렌드를 살펴본다.
차트의 시각적 정보를 이해하고 복잡한 추론을 수행하는 범용 차트 이해 모델 ChartInstruct를 소개한다.
차트 이해와 추론 능력을 극대화하기 위해 Instruction Tuning을 적용한 범용 차트 비전-언어 모델 ChartInstruct를 소개한다.
ACL 2024에서 발표된 연구를 중심으로 LLM의 추론 효율성과 자원 사용량을 최적화하는 최신 기술들을 살펴본다.
ACL 2024에서 발표된 AI 생성 텍스트 탐지 기술의 한계와 이를 보완하는 최신 연구들을 살펴본다.
ACL 2024에서 발표된 최신 AI 생성 텍스트 탐지 기술의 동향과 주요 방법론을 정리했다.
ACL 2024에서 논의된 LLM의 신뢰성 평가 방법론과 효율성 향상을 위한 최신 연구 트렌드를 살펴본다.
ACL 2024에서 발표된 LLM의 신뢰성 평가 방법론과 복잡한 태스크 수행 능력 및 효율성 연구 동향을 살펴본다.
LG AI Research는 ACL 2024 워크숍을 통해 문화적 가치와 편향성을 반영한 LLM 개발의 중요성과 관련 연구를 소개했다.
LG AI Research가 Diffusion 모델을 활용해 배경 정보의 간섭을 줄이고 신규성 탐지 성능을 높이는 Projection Regret 기술을 제안했다.
LG AI 연구원이 Diffusion 모델을 활용해 배경 노이즈를 줄이고 이상 탐지 성능을 높인 Projection Regret 기술을 제안했다.
LG AI Research는 생성형 AI의 보안과 신뢰성을 높이기 위해 공격적 관점에서 취약점을 점검하는 AI Red Team을 도입했다.
생성형 AI의 취약점을 탐지하고 방어하기 위한 AI Red Team의 개념과 단계별 공격 전략을 소개한다.
LG AI Research는 AI 윤리 세미나를 통해 AI가 초래할 수 있는 실질적 리스크를 정의하고 이를 체계적으로 분류하는 연구를 진행한다.
신뢰할 수 있는 AI 경험을 설계하기 위해 Microsoft와 Google의 AI 툴킷을 분석하고 실무 적용 방안을 제시한다.
신뢰할 수 있는 AI 경험을 설계하기 위해 Microsoft와 Google의 AI Toolkit을 분석하고 실무 적용 가이드라인을 제시한다.
AI Agent의 자율적 의사결정과 협력 방식을 시뮬레이션을 통해 분석하고 윤리적 메커니즘의 필요성을 제시한다.
LG AI Research가 성능과 효율성을 극대화한 EXAONE 3.5 오픈소스 모델 3종을 공개했다.
AI Briefing