Optimization and Machine learning Lab (OPTIM. Lab.)
서울시립대학교 통계데이터사이언스 대학원 Optim.Lab.은 기계학습의 작동 원리를 이해하고 학습모형 최적화 방법론을 연구합니다.
주로 네트워크, 순위, 주가 데이터를 이용한 예측모형과 생성모형을 다룹니다.
연구실을 통해 생산한 논문은 다음 Google Scholar를 통해 확인하실 수 있습니다.
연구방법론: Heterogeneous Graph Embbedding, LLM, Agentic AI
소개: 분자, 금융, 문서 등 다양한 영역의 복잡한 관계 데이터를 지식그래프로 구축하고, 그래프 신경망과 언어모형을 활용하여 예측, 지식 추론, 사실 확인 및 새로운 지식 발견을 수행하는 연구를 수행합니다. 지식그래프를 구축하는 작업은 매우 도전적인 연구분야입니다. 기존에 축적된 원천 데이터베이스로 부터 개체, 관계를 추출하고 그것들의 추정적인 위계를 정하는 일이 어려운 이유는 그것이 매우 다양한 맥락에서 서로 다른 구조를 가질 수 있기 때문입니다. 개념들의 위계는 어떤 관점에서 바라보는 가에 따라 다르게 설정할 수 있고 해석할 수 있습니다. 기존 분야 전문가들이 오랜 시간과 노력을 들여 만들어 온 지식의 체계와 구조를 이제는 인공지능 기술을 통해 만들고자 하는 시도를 합니다. 그리고 그것을 다양한 응용 분야의 적용하고 기존에 알려진 연구의 한계의 도전 합니다. 주식 그래프의 구축 부터, 사실관계의 확인, 특정 목적의 작업 수행을 위한 대화 시스템 구축 등 다양한 기회에 대해 탐구 하고 새로운 기술을 개발 합니다.
Funding: Ministry of Environment
연구방법론; Causal Inference, Recommendation Algorithm, Query Performance Prediction, Task Oriented Dialogue System, Fact Verification
소개: 정보 검색과 추천은 인공지능, 데이터 마이닝, 데이터베이스, 기계학습 분야에서 오랫동안 중요하게 다루어져 온 핵심 연구 주제입니다. 최근에는 지식 그래프, 대형 언어 모델(LLM), 멀티모달 데이터와 결합되면서 새로운 환경에서의 정보 검색과 추천 문제로 연구 영역이 빠르게 확장되고 있습니다. 특히 유행 효과(popularity effect)의 제거, 데이터 및 알고리즘의 편향성 보정, 추천 결과에 대한 사실성 및 신뢰성 분석, 초개인화(hyper-personalization)와 같은 문제들이 중요한 연구 과제로 부각되고 있습니다. 또한 사용자와 아이템의 관계뿐만 아니라 시간적·공간적 정보와 다양한 외부 지식을 지식 그래프 형태로 통합함으로써, 기존보다 훨씬 복잡한 관계를 분석하고 활용할 필요가 커지고 있습니다. 이러한 복합적인 정보 구조를 효과적으로 이해하고 활용하기 위해서는 보다 심층적이고 과학적인 분석 방법론이 요구됩니다. 우리는 기계학습에 기반한 수리적 모델링을 통해 정보 검색과 추천 시스템의 원리를 분석하고, 정확성, 신뢰성, 개인화 성능을 향상시키기 위한 새로운 방법론을 연구하고 있습니다.
Funding: Ministry of Science and ICT
연구방법론: Variational AutoEncoder, Generative Models
소개: 테이블 데이터는 연속형 변수와 이산형 변수를 동시에 포함하는 등 데이터의 이질성이 매우 큰 특징을 가지고 있습니다. 이러한 특성으로 인해 지금까지 개발된 이미지나 텍스트 중심의 인공지능 생성 모형은 테이블 데이터 생성에 그대로 적용하기에는 한계가 있는 것으로 보고되고 있으며, 최근에는 테이블 데이터의 특성을 반영한 다양한 생성 모형이 개발되고 있습니다. 우리 연구실에서도 이러한 문제에 주목하여 대형 언어 모델(LLM)을 활용한 테이블 데이터 생성 방법을 연구하고 있습니다. 여기서 생성 대상은 단순한 하나의 독립적인 테이블에 국한되지 않습니다. 시간에 따른 데이터의 변화, 여러 테이블 사이의 관계, 관계형 데이터베이스의 구조 등 보다 복잡한 형태의 테이블 데이터를 함께 고려합니다. 특히 주어진 데이터 스키마(schema)를 바탕으로 테이블과 변수 사이의 구조와 관계를 추론하고, 그 관계를 설명할 수 있으며, 동시에 이러한 구조적 제약과 의미적 관계를 만족하는 데이터를 생성하는 방법론을 연구합니다. 궁극적으로는 개별 변수의 분포뿐만 아니라 테이블 간 관계와 데이터의 구조적, 시간적 특성까지 보존할 수 있는 생성 모형을 개발하는 것을 목표로 합니다.
Funding: Ministry of Science and ICT
연구방법론: Spatiotemporal AI
소개: 북극 해빙의 물리ㅡ 열역학적 변화 특성을 종합적으로 반영하여 북극 개빙 지수(Arctic Sea Ice Index)를 개발하고, 이를 기반으로 해빙의 시공간적 변화와 개빙 가능성을 예측하는 연구입니다. 북극 해핑 에 대한 대용량 데이터들을 분석하고 북극의 해빙이 녹는 과정을 다양한 각도에서 분석 합니다. SAR data를 이용하여 정밀한 정보를 추출 하고 이종 데이터를 결합하여 북극의 완전 개 빙 시기 및 그 양상에 대한 미래 예측을 수행 합니다. 이 연구는 극지연구소의 빙권 연구센터와 함께 수행 하고 있습니다.
Funding: Korea Polar Research Institute (KOPRI)
서울대학교 경영대학 경영학과