해석가능한 머신러닝
신경망 모형 연구는 지지벡터기계 (Support Vector Machine)의 대안으로써 머신러닝 연구의 주류 분야가 되었다. 특히 심층 신경망(Deep Neural Network)은 이미지 데이터 분석에서 큰 성공을 시작으로 번역, 동영상, 음성 데이터를 이용한 여러가지 응용분야에서 활발하게 연구되고 있다. 본 연구는 심층 신경망에 대한 관련연구로 신경망모형 내부에 물리적으로 알려진 제약조건을 반영하거나, 혹은 잠재변수의 특정한 구조가 생기도록 하는 방법론을 연구한다. 세부 연구주제로 1) 일반적인 제약조건을 가지는 신경망 모형 연구 2) 제약조건이 있는 모형에서 효율적 추정 방법 연구, 3) 신경망 모형으로 부터 출력된 결과에 대한 불확실성의 계량화가 있다. 이 연구를 통해 신경망 모형의 예측성능을 개선하거나, 학습된 모형을 통해 새로운 지식을 얻을 것이라 기대한다.
해석가능한 머신러닝
비정상성 모형이란, 시간에 따라 데이터가 생성되는 확률분포가 바뀌는 모형을 말한다. 비정상성에 대한 연구는 1) 과거의 비정상성 탐지, 2) 비정상성하에서 미래의 예측을 다룬다. 품질관리에서 모니터링과 기후예측모형 개발이 대표적인 비정상성 연구의 대표적인 응용분야다. 본 연구에서는 시간에 따른 모형모수가 다른 변수에 의해 영향을 받는 동적 모형을 연구한다. 현재는 기상 데이터를 중심으로 Trend filtering, fused lasso를 이용한 모형 모수 추정을 연구하고 있다.
해석가능한 머신러닝
순위모형은 순위에 대한 확률구조를 연구하고 추정하는 연구다. 많은 사람들의 선호 데이터를 모았을때 집단의 선호 혹은 순위구조를 어떻게 이해해야 하는가는 것은 오래된 문제다. 이 연구에서는 기존에 제안되었던 순위 확률모형인 브레들리-테리-멜로우스 모형과 바빙톤 스미스 모형간의 관계를 연구하고 그 모형을 확장한 일반화된 순위확률모형을 개발한다. 대표적인 응용분야는 추천 시스템 (Recommendation System) 개발이다.