통계데이터사이언스
대학원

표본론 연구실
김규성 교수

Email: kskim at uos dot ac dot kr

Lab. homepage:

• 표본론: 유한 모집단을 대상으로 확률적 방법을 통해 모집단의 일부 표본을 추출하고, 이를 바탕으로 모집단의 특성을 추론하는 다양한 통계적 기법을 연구합니다.
• 무응답 대체: 조사 과정 중 일부 응답자가 응답하지 않아 발생하는 무응답 문제를 통계적으로 보정하거나 대체하는 방법을 연구합니다.
• 비확률표본 방법론: 비확률표본을 이용하여 유한 모집단에 대한 신뢰성 있는 추론을 가능하게 하는 통계적 방법론을 연구합니다.

• 우리 연구실은 몬테카를로 방법론 및 응용에 대한 연구를 진행합니다.
• 주요 연구주제는 몬테카를로 마르코프 체인, 중요도 샘플링, 파티클 필터 (혹은 순차 몬테카를로 방법) 입니다. 또한, 이 방법들을 금융 및 공간통계에 적용하는 연구를 진행하고 있습니다.
• 우리 연구실의 구성원은 8명으로 교수 및 박사과정에 강희건, 박재열 학생, 석사과정에 문순혁, 최진경, 이서경, 정원동, 김채은 학생이 있습니다.

MLALab (Machine Learning Algorithm Lab)
김윤영 교수

Email: yykim at uos dot ac dot kr

Lab. homepage: (LINK)

• Active Learning : 딥러닝 모델의 학습 과정에서 유용한 데이터를 선별적으로 학습하기 위한 연구를 수행합니다.
• Open-Set Learning: 학습 데이터와 이종 도메인의 테스트 데이터에서도 딥러닝의 강건성을 보장하기 위한 연구를 수행합니다.
• Data Augmentation: 가상의 데이터를 생성/합성하여 딥러닝 연구의 다양한 분야에서 활용합니다.

• 대규모 데이터, 자연어 또는 비전-언어 데이터를 구조화하고 활용하는 다양한 응용에 관한 연구를 수행합니다.

• 학습 및 변수 선택 알고리즘: 지도학습(supervised learning)에서 비지도학습(unsupervised learning)에 이르기까지 다양한 학습 문제에 커널(kernel)과 정규화(regularization)에 기반한 학습 및 주요 변수에 대한 선택 알고리즘을 연구
• 그래프 모형(graphical model): 주어진 데이터로부터 유전자 또는 단백질 등과 같은 네트워크를 학습하는 알고리즘을 연구
• 합성 데이터(synthetic data): 정보 보호를 위해 원데이터와 유사한 특징을 가지는 합성 데이터를 생성하는 알고리즘을 연구

안수한 교수 연구실

Email: sahn at uos dot ac dot kr

Lab. homepage:

• 마코프 기반 플루이드 모형(Markov modulated Fluid flow model)에 대한 연구: 기저에 있는 마코프과정에 의해 변화하는 증가율에 따라 선형적으로 증감을 하는 확률과정에 대해, 그 성질과, 유한시간에서의 일시상태 분포, 정상상태에서의 분포, 그리고 모형의 응용에 대해 연구합니다.
• 마코프 기반 브라운운동(Markov modulated Brownian motion)에 대한 연구: 기저에 있는 마코프과정에 의해 변화하는 드리프트(drift) 모수와 디퓨젼(diffusion) 모수를 갖는 브라운 운동의 성질과, 유한시간에서의 일시상태 분포, 정상상태에서의 분포, 그리고 모형의 응용에 대해 연구합니다.

이성호 교수 연구실

Email: seongho at uos dot ac dot kr

Lab. homepage: (LINK)

• 준모수 이론 (Semiparametric theory): 전통적인 모수 이론을 확장하여, 데이터의 핵심 구조를 더 유연하게 분석할 수 있게 하는 방법론을 연구합니다.
• 불완전 데이터 분석 (Incomplete data analysis): 결측 데이터를 포함한 다양한 유형의 불완전 데이터를 더 정확하게 분석하도록 돕는 방법론을 연구합니다.
• 분포 변동 (Distribution shift): 모형 학습을 위해 수집한 데이터와 모형을 적용하는 데이터 사이의 차이로 인한 문제를 해결하는 방법론을 연구합니다.

• 선형혼합모형(Linear Mixed Model) : 선형혼합모형(LMM)을 이용한 복잡한 데이터 분석 및 모형 연구. 독립적이지 않은 데이터를 고려한 분석을 합니다.
• 합성데이터(Synthetic Data) 연구: 개인정보 보호 및 보안이 중요한 데이터를 공개할 때, 실제 데이터를 기반으로 가상의 데이터를 생성하여 문제를 해결하는 연구합니다.
• 의학 데이터 분석 및 예측: 머신러닝 기법을 활용하여 당뇨 발병 예측, 시계열 음성 데이터를 이용한 우울증 예측, AI 스마트팜 연구에서 소의 유량, 육질, 질병 예측 등을 포함한 다양한 모델 개발을 진행하고 있습니다.

• Multi-hop Knowledge Graph Reasoning: Chain of Thought 연구로 원인과 결과에 대한 판단 경로를 추론하여 지식그래프에서 숨겨진 인과 관계를 발견하는 연구입니다.
• IR with Complex Tasks: 복잡한 검색 작업을 AI 모형에 기반하여 구현합니다.
• Synthetic Data Generation: 생성형 모형을 이용하여 보안 강화를 위한 가짜 데이터 생성하는 연구를 수행합니다.
• Long-Term Forecasting for Financial Analysis: 인공지능 언어모형의 구조를 이용하여 금융 데이터 기반 장기 예측 모형을 설계하고 실증합니다.

다양한 형태의 신경망 모형을 포함한 기계학습의 작동 원리를 이해하고 모형 최적화 방법론 연구를 하고 있습니다. 현재 연구실에서는 주로 네트워크, 순위, 주가 데이터를 다루며 예측모형 및 생성모형을 연구합니다. 아래에는 연구실 소개 및 석박사 과정 학생들의 간단한 연구 브리핑 영상이 있습니다. 슬라이드를 클릭하면 다음편이 나와요. 함께 연구해요!

정병철 교수 연구실

Email: bcjung at uos dot ac dot kr

Lab. homepage:

• 패널회귀모형에 대한 분석: 패널데이터는 횡단면과 시계열 자료가 혼합된 형태의 자료를 의미합니다. 이와 같은 패널데이터에 대하여 회귀모형의 관점에서 다양한 분석방법론을 연구합니다.
• 계수자료에 대한 분석: 계수자료(count data)에 대한 회귀모형에 대하여 연구합니다. 다양한 일변량 및 다변량 포아송 및 음이항 회귀모형에 대하여 연구합니다.

• Inference in Machine/Statistical Learning
• Uncertainty Quantification
• Unsupervised Learning

동전을 한 번 던졌을 때 앞면이 나오면, 우리는 단순한 우연이라 생각할 수 있습니다. 하지만 열 번 연속 앞면이 나온다면, "기적인가?"라는 생각이 들 수도 있겠죠. 그런데 만 개의 동전을 열 번 던졌을 때, 이 중 하나의 동전이 열 번 연속 앞면이 나왔다면, 여전히 그렇게 생각할 수 있을까요? 이처럼 관측된 결과를 올바르게 해석하려면, 그 결과에 내포된 불확실성을 정량화(uncertainty quantification)하고 과학적으로 이해하는 것이 중요합니다. 우리 연구실은 통계 및 머신러닝 관점에서 이러한 불확실성을 정량화하고, 이를 바탕으로 신뢰할 수 있는 추론을 수행하는 방법(inference in machine/statistical learning)을 탐구하고 있습니다.