준모수 이론은 통계학에서 모수적 방법과 비모수적 방법의 장점을 결합한 강력한 분석 도구로, 복잡한 데이터 구조에서 효율적으로 모수를 추정할 수 있도록 합니다. 이성호 연구실은 준모수 모델에서 비모수적 요소를 포함하는 다양한 상황에서의 효율적 추정 방법을 개발하고 있습니다. 이러한 연구는 실제 데이터가 완벽하게 모수적 가정을 따르지 않는 경우에도 신뢰할 수 있는 결과를 도출할 수 있도록 돕습니다. 연구실에서는 준모수 효율성 이론을 기반으로, 다양한 추정량의 일관성과 정규성, 그리고 효율성 한계에 대한 이론적 분석을 수행합니다. 특히, 관측값의 일부가 검열되거나 누락된 상황, 또는 데이터의 분포가 복잡하게 변하는 환경에서도 적용 가능한 새로운 추정 방법론을 제시합니다. 이 과정에서 비모수적 요소의 추정에는 커널 스무딩, 머신러닝 기법 등 최신 통계적 방법론이 활용됩니다. 이러한 연구는 의료, 경제, 사회과학 등 다양한 분야의 실제 데이터 분석에 직접적으로 응용될 수 있습니다. 예를 들어, 임상 연구에서 환자의 생존 시간이나 질병 진행 정도와 같은 복잡한 데이터를 다룰 때, 준모수적 접근법은 기존의 모수적 방법보다 더 유연하고 정확한 분석을 가능하게 합니다. 앞으로도 연구실은 이론적 발전과 실용적 응용을 동시에 추구하며, 통계학의 핵심 분야를 선도하고자 합니다.

현실의 데이터는 종종 결측치나 불완전한 정보로 인해 분석에 어려움을 겪습니다. 이성호 연구실은 불완전 데이터 환경에서의 정확한 통계적 추론을 위한 방법론 개발에 집중하고 있습니다. 특히, 일부 정보만 관측 가능한 상황에서의 추정량 개발, 그리고 데이터의 결측 구조를 고려한 효율적 분석 기법에 대한 연구를 활발히 진행 중입니다. 또한, 분포 이동(distribution shift) 문제는 소스 데이터와 타겟 데이터의 분포가 다를 때 발생하는데, 이는 실제 응용에서 매우 빈번하게 나타나는 현상입니다. 연구실에서는 소스와 타겟 데이터 간의 분포 차이를 극복하고, 모델의 적응력을 높이기 위한 새로운 통계적 방법론을 제안합니다. 예를 들어, 의료 데이터에서 한 병원에서 수집된 데이터와 다른 병원에서 수집된 데이터의 특성이 다를 때, 효과적으로 정보를 이전하고 추론의 정확도를 높이는 방법을 연구합니다. 이러한 연구는 인공지능, 머신러닝, 생명과학 등 다양한 분야에서 데이터 기반 의사결정의 신뢰성을 높이는 데 기여합니다. 불완전 데이터와 분포 이동 문제를 동시에 고려하는 통계적 접근법은 실제 데이터 분석에서 발생할 수 있는 다양한 문제를 해결하는 데 필수적인 역할을 하며, 연구실은 이 분야의 이론적·실용적 발전을 선도하고 있습니다.

한정된 자원과 비용 하에서 최적의 데이터 샘플을 수집하는 것은 통계적 연구와 실제 데이터 분석에서 매우 중요한 과제입니다. 이성호 연구실은 자원 제약 하에서 손실을 최소화하거나 효율을 극대화할 수 있는 최적 샘플링 전략을 개발하고 있습니다. 예를 들어, 전자의무기록(EHR) 데이터에서 환자 표본을 선정할 때, 제한된 예산과 시간 내에서 가장 효과적으로 정보를 얻을 수 있는 방법론을 제시합니다. 연구실의 최적 샘플링 연구는 'positive only' 정보 등 실제 데이터의 특성을 반영한 맞춤형 샘플링 기법을 포함합니다. 이러한 방법은 분류 모델의 성능을 극대화하고, 실제 데이터의 불균형 문제나 라벨의 부정확성 등 현실적인 문제를 효과적으로 해결할 수 있도록 설계되었습니다. 이론적 근거와 함께 시뮬레이션 및 실제 데이터 적용을 통해 그 우수성이 검증되고 있습니다. 이러한 연구는 의료, 산업, 사회과학 등 다양한 분야에서 데이터 수집의 효율성과 분석의 신뢰성을 높이는 데 기여합니다. 앞으로도 연구실은 최적 샘플링 이론의 발전과 함께, 실제 현장에서 적용 가능한 실용적 방법론 개발에 주력할 예정입니다.