이 연구 주제는 자연어의 이산적 표현이 갖는 한계를 극복하고, 문맥을 더 정교하게 반영하는 딥러닝 기반 언어 모델과 기계번역 기술을 개발하는 데 초점을 둔다. 연구실은 단어 표현, 서브워드 토큰화, 형태소 분석 기반 전처리, 문장 표현 학습 등 언어 이해의 기초 요소를 체계적으로 다루며, 특히 한국어-영어 번역과 저자원 언어 처리를 포함한 실제 문제 해결형 연구를 수행하고 있다. 관련 논문과 프로젝트에서는 neural machine translation, attention mechanism, LSTM 기반 순차 모델, BERT 계열 미세조정 등 다양한 접근이 확인되며, 언어 데이터의 구조적 특성을 반영하는 모델 설계가 핵심 축을 이룬다. 세부적으로는 fine-grained attention mechanism을 활용한 번역 성능 향상, back-translation의 end-to-end 학습, categorical reparameterization trick을 이용한 생성 기반 학습 안정화, 띄어쓰기 및 고유명사 처리와 같은 언어별 전처리 전략 최적화가 중요한 방법론으로 나타난다. 또한 noisy word embedding, self-knowledge distillation, text style transfer, 저자원 언어인 Luganda에 대한 감성 분석 및 텍스트 분류 연구는 단순 번역을 넘어 언어 표현 학습 전반으로 연구 범위를 확장하고 있음을 보여준다. 이는 대규모 언어모델 이전 단계의 신경망 기반 NLP부터 최신 표현학습 기법까지 폭넓게 연결되는 연구 흐름이다. 이 연구의 기대효과는 언어 장벽을 낮추는 실용적 AI 기술 개발과 더불어, 다양한 언어 환경에서 일반화 가능한 표현학습 방법을 제시하는 데 있다. 특히 한국어처럼 형태적으로 복잡한 언어와 데이터가 부족한 언어를 동시에 다루는 경험은 범용 언어 AI의 강건성 향상에 기여할 수 있다. 향후에는 멀티모달 언어 이해, 대화형 챗봇의 추론 능력 강화, 음성-텍스트 통합 표현학습, 의료·교육·국제협력 분야에 적용 가능한 특화 언어모델로 발전할 가능성이 크다.

이 연구 주제는 기계학습 모델의 표현력과 일반화 성능을 높이기 위한 이론적 분석과 학습 알고리즘 설계를 포괄한다. 연구실의 초기 대표 성과인 robust kernel Isomap은 비선형 차원축소와 매니폴드 학습 분야에서 데이터의 내재 구조를 안정적으로 복원하려는 시도를 보여주며, 이후 transfer entropy, dropout, recurrent neural network 구조 분석 등으로 연구 범위가 확장되었다. 이는 단순히 응용 성능을 높이는 수준을 넘어, 왜 특정 알고리즘이 잘 동작하는지 설명하고 더 나은 학습 메커니즘을 설계하려는 기계학습 중심 연구실의 정체성을 드러낸다. 구체적으로는 dropout을 regularization 기법이자 optimization trick으로 해석하는 연구, LSTM에서 persistent hidden states와 nonlinear transformation을 도입해 장기 의존성을 개선하는 연구, variational autoencoder의 잠재공간 분해와 contrastive loss의 효과를 분석하는 연구가 포함된다. 또한 transfer entropy의 localization 및 regularization 연구는 복잡계 데이터에서 정보 흐름과 인과성을 정량화하려는 시도로, 딥러닝뿐 아니라 정보이론적 학습 분석까지 포괄하는 학문적 스펙트럼을 보여준다. 이러한 연구는 모델 구조, 손실함수, 학습 안정성, 과적합 완화, 표현 공간 해석 가능성 등 핵심 문제를 이론과 실험 양면에서 탐구한다. 이 주제의 학술적 가치는 다양한 응용 분야에서 재사용 가능한 학습 원리를 확보한다는 점에 있다. 최적화와 일반화에 대한 깊은 이해는 자연어처리, 비전, 네트워크 관리, 이상탐지 등 서로 다른 문제 영역에 동일한 학습 원리를 확장 적용하게 한다. 앞으로는 대규모 사전학습 모델의 효율적 미세조정, 저비용 학습, 설명가능한 딥러닝, 불확실성 추정, 인과적 표현학습 등으로 연결되며, 연구실의 폭넓은 응용 연구를 지탱하는 기반 기술로 기능할 가능성이 높다.

이 연구 주제는 인공지능을 활용하여 가상화된 네트워크 환경을 자동으로 운영하고, 성능 저하나 비정상 행위를 조기에 탐지하는 기술을 개발하는 데 초점을 둔다. 연구실은 NFV(Network Function Virtualization), SDN(Software Defined Networking), 서비스 체이닝, 자율 네트워킹과 같은 현대 네트워크 구조를 대상으로 기계학습 기반 의사결정 기법을 연구해 왔다. 대형 국가 연구과제와 다수의 국제학회 발표를 통해, 실제 네트워크 운영 환경에서 발생하는 복잡한 상태 변화를 데이터 기반으로 모델링하려는 응용 AI 역량이 뚜렷하게 드러난다. 핵심 방법론으로는 그래프 신경망과 강화학습을 활용한 VNF 배치 예측, 스케일링 제어, 서비스 기능 체이닝 최적화, 시퀀셜 딥러닝 기반 이상 탐지 등이 있다. 네트워크는 본질적으로 노드와 링크의 관계 구조를 가지므로, graph neural network는 토폴로지와 자원 의존성을 반영하는 데 적합하다. 여기에 reinforcement learning을 결합하면 변화하는 부하와 정책 조건 속에서 동적인 제어 전략을 학습할 수 있다. 또한 시스템 로그를 SBERT로 벡터화하여 장애 예측용 학습 데이터를 생성하는 특허는 네트워크 및 시스템 운영 데이터를 자연어 기반 표현학습과 연결하는 융합적 접근을 보여준다. 이 연구의 실용적 의의는 복잡한 네트워크 운영을 사람 중심의 수동 관리에서 데이터 기반의 자율 관리로 전환할 수 있다는 점에 있다. 통신 인프라, 클라우드 데이터센터, 엣지 컴퓨팅, 산업용 네트워크 등에서 AI 기반 예측과 제어는 운영비 절감, 서비스 안정성 향상, 장애 대응 시간 단축에 직접 기여한다. 향후에는 설명가능한 네트워크 AI, 멀티에이전트 기반 분산 제어, 사이버보안 이상 탐지, 초거대 트래픽 환경에서의 실시간 추론 등으로 연구가 발전할 수 있다.