Четыре статьи, соавтором которых является Ли Джун Хён, профессор факультета компьютерной инженерии Университета иностранных исследований (HUFS), были приняты на три ведущие мировые конференции по искусственному интеллекту (ИИ) в этом году, сообщил университет в среду.

Эти три конференции — это Международная конференция по обучению представлениям (ICLR), Международная конференция по машинному обучению (ICML) и Конференция по нейронным системам обработки информации (NeurIPS). Вместе они известны как конференции «Большой тройки».

В университете сообщили, что исследователи из научных кругов и промышленности со всего мира представляют свои последние результаты на конференциях, где статьи проходят строгую экспертную оценку.

Ли был автором-корреспондентом всех четырех статей: одной, принятой на ICLR 2026, одной на ICML 2026 и двух на NeurIPS 2026.

Впервые Ли принял доклады на всех трех конференциях за один год, подчеркнув широту своих исследований в области оценки и сотрудничества систем искусственного интеллекта, эффективного обмена информацией и сжатия моделей.

Исследование проводилось в сотрудничестве с исследователями из академических учреждений и промышленности в Корее и за рубежом, в том числе из Университета Чунг-Анг, LG AI Research, Университета Иллинойса в Чикаго и Capital One AI Foundations.

В исследовании, представленном на ICLR 2026, предложен новый метод оценки логических способностей моделей ИИ. Вместо того, чтобы полагаться на заранее проверенные тестовые вопросы, этот подход использует агенты ИИ для создания новых проблем и постепенного увеличения их сложности.

Этот подход обеспечивает более гибкую и непрерывную оценку, чем традиционные методы, основанные на фиксированных наборах тестов, что делает его более подходящим для быстро развивающихся систем искусственного интеллекта.

Исследование ICML 2026 выявило неэффективность традиционных методов, которые требуют нескольких агентов ИИ для решения каждой проблемы.

Предложенный метод позволяет проводить многоагентное обсуждение только тогда, когда система имеет низкую уверенность в своем ответе, что снижает вычислительные затраты до уровня одной модели ИИ при сохранении производительности.

Два исследования были приняты NeurIPS 2026, посвященные эффективному обмену информацией между различными крупномасштабными языковыми моделями (LLM) и сжатию моделей искусственного интеллекта.

В первом исследовании был представлен метод, который позволяет различным моделям ИИ напрямую обмениваться внутренней информацией, не преобразуя ее в естественный язык.

Этот метод повысил производительность, одновременно сократив время связи примерно до одиннадцати раз по сравнению с традиционными подходами.

Во втором исследовании был предложен метод сжатия модели, предназначенный для уменьшения размера модели при сохранении знаний в таких важных областях, как медицина, право и финансы.

Этот метод направлен на минимизацию потери важных знаний и производительности при сжатии моделей ИИ.

«Хотя разным агентам необходимо максимально использовать свои сильные стороны и эффективно сотрудничать, наше исследование сосредоточено на сотрудничестве между системами искусственного интеллекта», — сказал Ли.

«К ним относятся, как лингвистические ресурсы и функции влияют на эффективность рассуждения моделей ИИ (выводы EMNLP 2026), как разные агенты могут оценивать и обсуждать проблемы (ICLR и ICML 2026) и как гетерогенные LLM могут эффективно общаться (NeurIPS 2026)», — добавил он.

«Эта область исследований тесно связана с сильными сторонами HUFS в области языкового и культурного разнообразия. Основываясь на этом опыте, мы продолжим наши исследования, сотрудничая с исследователями в Корее и за рубежом», — сказал он.