상세 설명

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.

키워드

관련 이미지

관련 자료