본 연구실은 분포강건학습(Distributionally Robust Learning) 기반의 생성형 모델, 특히 Variational AutoEncoder(VAE)와 그 확장 모델에 대한 심도 있는 연구를 수행하고 있습니다. 기존 VAE는 데이터의 분포를 가우시안으로 가정하여 효율적인 계산과 이론적 기반을 제공하지만, 실제 데이터의 복잡한 분포를 충분히 반영하지 못하는 한계가 존재합니다. 이에 연구실에서는 비정상적이거나 비매끄러운 분포, 고차원 데이터, 다양한 결측 및 이상치가 존재하는 환경에서도 견고하게 작동할 수 있는 분포강건 VAE 모델을 개발하고 있습니다. 이러한 연구는 단순히 생성 데이터의 품질 향상에 그치지 않고, 데이터 프라이버시 보장, 합성 데이터 생성, 데이터 증강, 결측치 보정 등 다양한 실제 문제에 적용되고 있습니다. 예를 들어, 연속형 및 범주형 변수가 혼합된 테이블 데이터, 이미지, 시계열 등 다양한 데이터 유형에 대해 조건부 분포 추정, 다중 분위수 추정, 비정상 시계열 예측 등에서 우수한 성능을 보이고 있습니다. 또한, Cramer-Wold distance, mixture Cramer-Wold distance 등 새로운 분포 간 거리 척도를 도입하여, 생성 모델의 표현력을 극대화하고 데이터의 마진 및 조인트 분포를 동시에 학습할 수 있도록 설계하였습니다. 이러한 분포강건 생성형 모델 연구는 실제 금융, 의료, 환경 등 다양한 도메인에서 데이터의 불확실성, 결측, 보안 문제를 해결하는 데 중요한 역할을 하고 있습니다. 연구실은 이론적 모델 개발뿐만 아니라, 실제 산업 및 공공 데이터에 대한 실증적 검증을 통해 모델의 실효성을 높이고, 데이터 기반 의사결정의 신뢰성을 제고하는 데 기여하고 있습니다.

연구실은 인과추론(Causal Inference)과 신뢰가능한 인공지능(AI) 모형 개발에 중점을 두고 있습니다. 인과추론은 단순한 상관관계 분석을 넘어, 변수 간의 인과적 구조를 밝히고, 실제 개입이나 정책 변화에 따른 결과를 예측하는 데 필수적인 방법론입니다. 본 연구실에서는 인과추론을 기반으로 한 그래프 신경망(GNN), 변분 오토인코더(VAE), 트랜스포머(Transformer) 등 다양한 딥러닝 모델을 개발하여, 복잡한 네트워크 데이터, 분자 구조, 금융 시계열, 도시 빅데이터 등 다양한 응용 분야에 적용하고 있습니다. 특히, Knowledge Graph에서의 미발견 인과관계 추론, 다변량 금융 시계열의 이벤트 기반 동적 모형, 분자 독성 네트워크에서의 인과적 설명 가능성 확보, 정책 평가 및 도시 데이터 분석 등 실제 문제 해결에 인과추론 기반 AI를 적극적으로 활용하고 있습니다. 또한, 인과적 구조를 반영한 생성형 모델 개발, 인과적 요인 분리(Disentanglement), 인과적 설명력 평가 등 최신 연구 주제를 선도하고 있습니다. 이러한 연구는 AI의 신뢰성, 투명성, 해석 가능성을 높여, 실제 산업 및 사회 문제 해결에 있어 데이터 기반 의사결정의 품질을 향상시키는 데 기여합니다. 연구실은 이론적 방법론 개발과 더불어, 환경부, 과학기술정보통신부 등 다양한 정부 및 산업체와의 협력 연구를 통해 실제 데이터에 기반한 인과추론 AI의 실효성을 검증하고 있습니다.

본 연구실은 금융 데이터와 도시 빅데이터를 활용한 예측 및 최적화 연구에 강점을 가지고 있습니다. 강화학습(Reinforcement Learning), 그래프 임베딩, 트랜스포머 등 최신 AI 기법을 활용하여, 주가 및 암호화폐 시장의 시계열 예측, 자동거래 에이전트 개발, 포트폴리오 최적화, 위험 측정 등 다양한 금융 응용 문제를 다루고 있습니다. 예를 들어, 다변량 금융 시계열의 동적 상관관계 및 이벤트 기반 변동성 모델링, 비관적 위험(Uniform Pessimistic Risk) 기반의 투자 전략 개발, 그룹 제약조건을 반영한 포트폴리오 최적화 등 이론과 실무를 아우르는 연구를 수행하고 있습니다. 도시 빅데이터 분야에서는 인구, 정책, 비즈니스 모델 등 다양한 도시 데이터를 통합 분석하여, 정책 효과 평가, 인구 추정, 공간 데이터 기반 의사결정 지원 등 실제 도시 문제 해결에 기여하고 있습니다. 공간 데이터 분석, 시공간 모형, 트렌드 필터링 등 고급 통계 및 AI 기법을 접목하여, 비정상적이고 복잡한 도시 현상을 정량적으로 분석하고 예측합니다. 이러한 연구는 금융 및 도시 데이터의 불확실성, 고차원성, 동적 특성을 효과적으로 다루며, 실제 산업 및 공공 정책 현장에서 데이터 기반 의사결정의 정확성과 효율성을 높이는 데 중요한 역할을 하고 있습니다.