Efficient Machine Learning and Approximation Algorithms
연구 내용
복잡한 데이터 처리 과정에서 계산 효율을 확보하기 위한 근사 기반 머신러닝 알고리즘을 개발하는 연구
대규모 데이터 처리 과정에서 발생하는 계산 비용을 줄이기 위해 근사 기반 알고리즘과 경량화된 머신러닝 모델을 설계합니다. 사용자 반응 최적화, 결측치 보정, 공정 예측 모델링 등 다양한 문제에 적용할 수 있도록 알고리즘 구조를 단순화하고 주요 연산을 선택적으로 수행하는 방식을 활용합니다. 또한 산업 공정 데이터나 소셜 네트워크 데이터와 같이 고차원·고복잡성 특성을 가진 데이터의 효율적 분석을 위해 문제 구조를 변환하거나 부분 공간을 활용하는 방식을 도입합니다. 이러한 접근은 정확도 요구와 계산 자원의 제약이 동시에 존재하는 환경에서 실용적 모델을 구성하는 데 중점을 둡니다.
관련 연구 성과
관련 논문
4편
관련 특허
0건
관련 프로젝트
0건
연구 흐름
초기 연구에서는 사용자 반응 최적화나 커뮤니티 기반 데이터 처리 등 그래프 중심 근사 알고리즘을 개발하였습니다. 이후 산업 공정 데이터의 예측 모델링에 확장하여 고비용 연산을 줄이는 실용적 알고리즘 구조를 구축하였습니다. 최근에는 복잡한 모델을 단순화하고 연산 효율을 높이는 방향으로 경량화 연구를 진행하며 다양한 데이터 처리 문제에 적용하고 있습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
LUEM : Local User Engagement Maximization in Networks
A novel graph-based missing values imputation method for industrial lubricant data
A framework for environmental production of textile dyeing process using novel exhaustion-rate meter and multi-layer perceptron-based prediction model
Link Pruning for Community Detection in Social Networks