Trustworthy and interpretable AI with knowledge graphs and interpretable GNN-based toxicity screening
연구 내용
해석가능 그래프 신경망과 대규모 지식그래프를 활용해 환경 화학물질 독성을 신뢰가능하게 스크리닝하는 연구
환경 화학물질의 독성 스크리닝을 위해 OECD test guideline 데이터 기반의 해석가능 그래프 신경망을 학습하고, 예측 근거가 사용자 이해와 연결되도록 모델 설계를 수행합니다. 또한 비교 독성유전체학 데이터베이스 기반의 대규모 지식그래프를 구축하여 정보검색과 데이터 마이닝의 재현 가능한 기반을 마련합니다. 이와 함께 LLM 생성 텍스트의 잠재 커뮤니티 구조를 가설검정 프레임워크로 분석하여 인간 작성 텍스트와의 차이를 정량화하는 방향으로 신뢰가능성과 해석가능성을 강화합니다. 프로젝트에서는 인과추론을 포함한 신뢰가능 AI 모형을 목표로 확장합니다.
관련 연구 성과
관련 논문
3편
관련 특허
0건
관련 프로젝트
1건
연구 흐름
먼저 OECD test guideline 데이터에 맞춘 해석가능 그래프 신경망 학습을 수행하며, 예측이 규제 데이터 관점에서 해석될 수 있는 형태로 모델을 구성했습니다. 이후 독성유전체학 리소스를 연결하기 위해 대규모 비교 독성유전체학 지식그래프를 제안하고, 데이터 마이닝·정보검색에 활용 가능한 지식 기반을 확장했습니다. 동시에 자연어 생성 모델의 출력과 인간 텍스트 간 차이를 가설검정으로 평가하는 통계적 분석 절차를 도입하여, 데이터-기반 추론과 신뢰가능 해석의 범위를 텍스트 도메인까지 확장하는 흐름을 이어가고 있습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
P05-19 Interpretable graph neural networks trained on OECD test guideline data for screening inhalation toxicity of environmental chemicals
P05-20 A new large-scale benchmark knowledge graph leveraging the comparative toxicogenomics database
Does a Large Language Model Really Speak in Human‐Like Language?
관련 프로젝트
구분
제목
인과추론을 이용한 신뢰가능한 AI 모형 연구