이 연구 주제는 정보이론을 바탕으로 무선통신 및 네트워크 시스템의 근본 성능 한계를 규명하고, 그 한계에 근접하는 전송 기법을 설계하는 데 초점을 둔다. 연구실은 간섭 채널, 다중안테나 셀룰러 네트워크, 피드백이 있는 통신 환경, 릴레이 기반 네트워크 등 다양한 통신 시나리오에서 용량, 자유도, 지연, 신뢰도 사이의 관계를 분석해 왔다. 특히 이론적 분석을 통해 복잡한 네트워크에서 어떤 구조가 성능 향상에 본질적으로 기여하는지를 밝히고, 실제 시스템 설계에 적용 가능한 통찰을 제공한다. 구체적으로는 간섭 정렬, 사용자 스케줄링, 오래된 채널 상태 정보의 활용, 다중 기지국 환경에서의 하향링크 전송 최적화와 같은 문제를 다룬다. 연구실의 다수 논문은 다중 셀 MIMO 환경에서 간섭을 효과적으로 줄이는 방법과, 제한된 피드백 또는 비협력적 환경에서도 높은 전송 효율을 달성할 수 있는 알고리즘을 제안했다. 이러한 연구는 단순한 기법 제안을 넘어, 어떤 조건에서 성능 이득이 발생하는지에 대한 수학적 증명까지 포함하여 정보통신 시스템의 설계 원리를 체계화한다. 이 분야의 성과는 차세대 이동통신, 고밀도 무선망, 대규모 연결 환경에서 매우 큰 의미를 가진다. 네트워크가 복잡해질수록 경험적 설계만으로는 성능과 효율을 동시에 확보하기 어려운데, 정보이론적 접근은 설계의 기준점과 한계를 명확히 제시해 준다. 따라서 본 연구는 5G 이후의 초연결 통신, 저지연·고신뢰 통신, 분산 네트워크 최적화 등 미래 정보통신기술의 핵심 기반으로 이어질 수 있다.

이 연구 주제는 정보이론, 확률, 최적화의 관점을 활용하여 데이터사이언스와 머신러닝 문제를 해석하고 해결하는 데 목적이 있다. 연구실은 정보이론이 통신에만 국한되지 않고, 랭킹, 클러스터링, 행렬완성, 분산저장, 추천, 그래프 학습과 같은 데이터 중심 문제에도 강력한 분석 틀을 제공할 수 있음을 보여주고 있다. 이를 통해 데이터로부터 무엇을 얼마나 정확하게 복원하거나 추론할 수 있는지에 대한 근본 한계를 규명하고, 그 한계를 달성하는 효율적 알고리즘을 제안한다. 대표적으로 하이퍼그래프 스펙트럴 클러스터링, 다자 비교 기반 Top-K 랭킹, 그래프 보조정보를 활용한 행렬완성, 분산 저장 시스템을 위한 네트워크 코딩 등이 주요 주제로 나타난다. 이러한 연구는 고차원 구조 데이터, 불완전 관측, 잡음이 포함된 비교 정보, 구조적 사이드 정보가 존재하는 현실 문제를 대상으로 한다. 연구실은 표본복잡도, 계산복잡도, 복원 가능성 같은 핵심 이론 지표를 분석하면서도, 실제 비전·추천·분산 컴퓨팅 문제에 적용 가능한 알고리즘 설계를 함께 수행한다. 이 분야는 통신과 AI 사이를 잇는 학문적 가교 역할을 한다는 점에서 중요하다. 데이터가 점점 더 복잡한 그래프·하이퍼그래프·부분관측 형태로 주어지는 오늘날, 단순한 경험적 모델만으로는 성능 보장과 해석 가능성을 확보하기 어렵다. 본 연구는 정보이론적 보장과 현대 학습 기법을 결합함으로써, 더 신뢰할 수 있고 효율적인 데이터 분석 방법론을 제공하며, 향후 대규모 추천 시스템, 과학 데이터 분석, 분산 인공지능의 이론적 기반을 강화하는 데 기여할 수 있다.

이 연구 주제는 인공지능 시스템이 실제 사회적 환경에서 요구되는 공정성, 신뢰성, 책임성을 만족하도록 만드는 방법을 다룬다. 연구실은 최근 강화되는 윤리 정책과 규제 환경에 대응하여, 데이터의 편향과 상관관계 변화가 모델의 의사결정에 미치는 영향을 분석하고 이를 완화하는 학습 기술을 개발하고 있다. 단순히 정확도를 높이는 데 그치지 않고, 특정 집단에 불리한 결과가 발생하지 않도록 학습과 평가의 전 과정을 재설계하는 것이 핵심 목표다. 연구 내용에는 배치 선택 기반 공정 학습, 상관관계 변화 하에서의 공정한 모델 훈련, 상호정보량이나 분포 거리 기반 공정 분류기, 공정한 생성모델, 강건성과 공정성을 동시에 고려한 학습 기법 등이 포함된다. 관련 프로젝트와 특허에서도 확인되듯, 연구실은 정책 변화에 유연하게 적응하는 AI 시스템, 공정성 검증 프레임워크, 편향 완화를 위한 전처리·학습·후처리 통합 구조를 제안하고 있다. 이는 이론적 성능 보장과 실제 배포 가능성을 함께 고려한 접근이라는 점에서 의미가 크다. 이 연구는 채용, 교육, 의료, 금융, 공공행정 등 민감한 의사결정 영역에서 특히 중요하다. 데이터 분포가 시간에 따라 변하거나 사회적 기준이 변화하는 상황에서도 공정성을 안정적으로 유지하려면, 정적인 모델보다 적응적이고 검증 가능한 학습 체계가 필요하다. 본 연구실의 접근은 정보이론과 머신러닝을 결합하여 공정성 문제를 정량적으로 다루고, 책임 있는 AI 개발의 실질적 방법론을 제시한다는 점에서 학문적·사회적 파급력이 크다.