상세 설명

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.

키워드

관련 이미지

관련 자료