최윤혁 연구실
숙명여자대학교 인공지능학부
최윤혁 교수
Graph Neural Networks
Message Passing
Signed Propagation
홈
최윤혁 연구실
숙명여자대학교 인공지능학부 최윤혁 교수
최윤혁 연구실은 인공지능학부를 기반으로 소셜 정보와 리뷰 텍스트를 활용한 학습 및 추론 방법을 연구합니다. 텍스트 기반 추천에서는 LLM 기반 텍스트 요약과 2D 컨볼루션 결합 구조를 통해 긴 문서에서의 정보 손실을 줄이는 접근을 수행합니다. 교차도메인 추천에서는 리뷰 텍스트로 도메인 간 표현을 분리하고 불리 정보 전이를 억제하는 학습 전략을 적용하며, 잠재 공간 정렬에서 하이퍼볼릭 기하의 계층 붕괴 문제를 고려해 위계 보존 정렬 절차를 설계합니다. 그래프 신경망 분야에서는 희소 특징과 초기 투영 단계에서의 과적합을 완화하기 위해 특징·하이퍼플레인 섭동 및 불확실성·스펙트럴 관점의 안정화 기법을 연구합니다. 또한 이질 그래프에서 signed message passing의 멀티클래스 적합성 문제를 보정(calibration)으로 해결하는 연구를 수행합니다.
Graph Neural NetworksMessage PassingSigned PropagationFeature PerturbationHyperbolic Embedding
대표 연구 분야
연구 영역 전체보기
리뷰 기반 추천을 위한 LLM 전처리 및 교차도메인 지식전이 연구
LLM-aided Review-Based Recommendation and Cross-Domain Knowledge Transfer
연구 분야 상세보기
리뷰 기반 추천을 위한 LLM 전처리 및 교차도메인 지식전이 연구
LLM-aided Review-Based Recommendation and Cross-Domain Knowledge Transfer
연구 분야 상세보기
GNN의 과적합과 불일치 학습을 줄이기 위한 특징·하이퍼플레인 섭동 연구
Feature/Hyperplane Perturbation for Generalization in Graph Neural Networks
연구 분야 상세보기
이분 분류 가정을 넘는 멀티클래스 signed message passing 보정 연구
Calibration for Signed Message Passing in Multi-Class Graphs
연구 분야 상세보기
연구 성과 추이
표시된 성과는 수집된 데이터 기준으로 산출되며, 일부 차이가 있을 수 있습니다.
주요 논문
5
논문 전체보기
1
Preprint
|
인용수 0
·
2026Spectral-Radius and Uncertainty-Aware Blocking in Message-Passing Neural Networks
Yoonhyuk Choi, Jiho Choi, Chanran Kim, Yumin Lee, Chong-Kwon Kim
SSRN Electronic Journal
https://doi.org/10.2139/ssrn.6098264
Blocking (statistics)
Artificial neural network
Component (thermodynamics)
Action (physics)
Property (philosophy)
2
Article
|
인용수 0
·
2025Beyond Binary: Improving Signed Message Passing in Graph Neural Networks for Multi-Class Graphs
Yoonhyuk Choi, Taewook Ko, Jiho Choi, Chong-kwon Kim
IF 18.6 (2025)
IEEE Transactions on Pattern Analysis and Machine Intelligence
그래프 신경망(Graph Neural Networks, GNNs)은 대부분의 간선이 동일한 라벨을 가진 두 노드를 연결하는 동질적(homophilic) 네트워크에서 만족스러운 성능을 보인다. 그러나 그래프가 이질적(heterophilic, 낮은 동질성)으로 변하면 그 효과가 감소하여, 다양한 메시지 전달(message-passing) 기법에 대한 탐색이 이루어져 왔다. 특히, 이질적 간선에 음의 가중치를 부여하는 서명 전달(signed propagation)을 메시지 전달에 적용하는 접근은 상당한 주목을 받아 왔으며, 일부 연구에서는 그 효과를 이론적으로도 확인하였다. 그럼에도 불구하고, 선행 정리들은 이진 분류 시나리오를 가정하고 있어 여러 클래스를 포함하는 그래프에서는 그 전제가 잘 성립하지 않을 수 있다. 이러한 한계를 해결하기 위해, 우리는 다중 클래스 환경에서의 GNN에 대한 새로운 이론적 통찰을 제공하고, 서명 전달을 사용하는 것의 결점이 메시지 전달 관점과 파라미터 업데이트 관점의 두 측면에서 모두 나타남을 규명한다. 우리는 특징 분포를 고려하지 않은 서명 전달이 서로 다른 이웃의 구분 가능성을 저하시킬 수 있으며, 이는 예측 불확실성(예: 상충하는 증거) 또한 증가시켜 불안정성을 초래할 수 있음을 발견하였다. 이러한 한계를 극복하기 위해, 우리는 예측에서 엔트로피를 감소시키면서 판별력을 향상시키는 두 가지 새로운 보정(calibration) 전략을 제안한다. 이론적 분석과 광범위한 실험 분석을 통해, 제안한 방법들이 서명 기반 및 일반 메시지 전달 신경망(Choi et al. 2023) 모두에서 성능을 향상시킴을 입증한다.
https://doi.org/10.1109/tpami.2025.3581218
Message passing
Computer science
Binary number
Artificial neural network
Theoretical computer science
Homophily
Entropy (arrow of time)
Class (philosophy)
Graph
Principle of maximum entropy
3
Article
|
인용수 0
·
2025Hierarchical Hyperbolic Embeddings for Review-Driven Cross-Domain Recommendation
Yoonhyuk Choi, Chong-kwon Kim
IF 3.6 (2025)
IEEE Access
추천 시스템은 현재 전자상거래 및 리뷰 플랫폼 전반에 널리 활용되고 있으나, 상호작용 데이터가 극도로 희소할 때(이른바 콜드 스타트 문제) 종종 어려움을 겪는다. 이를 완화하기 위해 많은 접근법은 보조 측면 정보(예: 소셜 링크 또는 아이템 속성)를 통합하고 관련 도메인으로부터의 전이 학습을 활용한다. 특히 사용자 제공 리뷰는 희소한 피드백 데이터를 풍부하게 하기 위해 널리 사용되어 왔다. 그러나 기존의 리뷰 기반 크로스 도메인 방법들은 일반적으로 유클리드 잠재 공간을 가정하는데, 이는 사용자-아이템 상호작용이 지니는 고유한 계층적(power-law) 성질을 충분히 포착하지 못할 수 있다. 유클리드 공간에서는 작은 업데이트가 거리를 선형적으로 보존하는 경향이 있다. 반면에 쌍곡선 공간에서는 약간의 변화가 큰 왜곡을 유발하여 잠재 계층 구조를 붕괴시킬 수 있다. 본 연구에서는 쌍곡선 기하에서 동작하며 계층 구조를 명시적으로 보존하는, 리뷰 기반 크로스 도메인 추천을 위한 새로운 프레임워크를 제안한다. 우리의 모델(HEAD)은 사용자와 아이템을 쌍곡선 다양체에 임베딩하고, 세심하게 설계된 정렬 절차를 사용한다. 구체적으로, 차수(degree) 기반 정규화는 노드 거리들을 정렬하여 인기(고차수) 엔터티를 강조하고, 스케일 정규화된 도메인 판별기는 안정적인 크로스 도메인 특징 매칭을 보장한다(이론적 분석 참조). 이러한 계층 인지 기법들은 순진한 정렬에서 비롯되는 지수적 쌍곡선 부피의 붕괴를 방지한다. 우리는 이 접근법을 이론적 통찰과 광범위한 실험을 통해 검증하였으며, HEAD가 유클리드 및 정렬되지 않은 기준 모델들에 비해 우수한 정확성과 견고성을 달성함을 보여준다.
https://doi.org/10.1109/access.2025.3634134
Robustness (evolution)
Euclidean geometry
Exploit
Normalization (sociology)
Recommender system
Hyperbolic tree
Key (lock)
Manifold (fluid mechanics)
Feature matching