지속학습(Continual Learning)은 인공지능 분야에서 기존에 학습한 지식을 잃지 않으면서 새로운 정보를 지속적으로 습득하는 능력을 의미합니다. 본 연구실은 인간의 기억 체계에서 영감을 받아, 인공 신경망이 이전에 학습한 내용을 망각하지 않고 새로운 태스크에 적응할 수 있도록 하는 알고리즘 개발에 주력하고 있습니다. 이를 위해 메모리 효율적인 파라미터 생성, 리허설 기반 학습, 생성적 신경망을 활용한 지식 재생성 등 다양한 방법론을 연구하고 있습니다. 특히, 인간처럼 회상이 가능한 신경망 구조를 설계하여, 복잡하고 동적인 환경에서도 유연하게 적응하고 과거의 지식을 효과적으로 활용할 수 있도록 하는 것이 주요 목표입니다. 이를 위해 뇌의 기억 응고 및 회상 메커니즘을 분석하고, 이를 신경망 학습 구조에 적용하는 새로운 알고리즘을 제안합니다. 이러한 연구는 실제로 데이터가 없는 상황이나, 프라이버시 제약이 있는 환경에서도 신경망이 안정적으로 동작할 수 있도록 하는 데 큰 기여를 하고 있습니다. 실험적으로는 다양한 벤치마크 데이터셋과 실제 응용 환경에서 제안된 방법의 성능을 검증하고 있으며, 기존의 치명적 망각 문제를 효과적으로 완화함을 확인하였습니다. 이러한 연구는 인공지능의 실용적 활용 범위를 넓히고, 자율주행, 의료, 로봇 등 다양한 분야에서 지속적으로 학습하고 적응하는 지능형 시스템 개발에 중요한 기반을 제공합니다.

현대의 대규모 인공지능 모델, 특히 딥 뉴럴 네트워크는 복잡성과 규모가 커짐에 따라 그 내부에 축적된 지식을 이해하고 활용하는 것이 점점 더 중요해지고 있습니다. 본 연구실은 학습된 신경망 내부의 지식을 효과적으로 추출, 재사용, 설명할 수 있는 기술을 개발하고, 이를 통해 AI 모델의 접근성(accessibility), 확장성(scalability), 신뢰성(reliability)을 높이는 연구를 수행하고 있습니다. 구체적으로, 신경망이 학습한 지식을 외부에서 해석하고, 사용자가 원하는 태스크에 맞게 재활용하거나, 잘못 학습된 편향된 지식을 탐지 및 수정하는 방법론을 제안합니다. 또한, 모델이 새로운 데이터를 지속적으로 받아들이면서도 기존의 지식을 잃지 않도록 하는 증분학습 및 온라인 학습 알고리즘을 개발하고 있습니다. 이러한 연구는 AI 시스템이 실제 환경에서 신뢰받고 투명하게 동작할 수 있도록 하는 데 필수적입니다. 설명가능 인공지능(XAI)과 상호작용형 AI 서비스도 주요 연구 주제로, 인간과 자연스럽게 소통하며 의사결정 과정을 설명할 수 있는 인터페이스 개발에 집중하고 있습니다. 이를 통해 AI의 투명성과 신뢰성을 높이고, 다양한 산업 및 사회적 문제 해결에 기여하고자 합니다.

딥러닝 모델의 대형화로 인해, 실제 환경에서의 적용을 위해서는 모델의 크기와 연산 복잡도를 줄이는 신경망 압축 기술이 필수적입니다. 본 연구실은 파라미터 프루닝, 토큰 머징, 지식 증류 등 다양한 신경망 압축 및 경량화 방법을 연구하며, 성능 저하 없이 모델을 소형화하는 데 주력하고 있습니다. 이를 통해 모바일, 임베디드, 엣지 디바이스 등 자원이 제한된 환경에서도 고성능 AI 모델의 실시간 적용이 가능하도록 합니다. 또한, 연합학습(Federated Learning) 분야에서도 활발한 연구를 진행하고 있습니다. 연합학습은 데이터 프라이버시를 보장하면서 여러 참여자가 각자의 데이터를 공유하지 않고도 공동의 AI 모델을 학습할 수 있는 분산 학습 방법입니다. 본 연구실은 데이터셋 응축, 준지도 연합학습, OOD(Out-of-Distribution) 탐지 등 연합학습의 안정성과 성능을 높이는 다양한 알고리즘을 개발하고 있습니다. 이러한 연구는 실제 산업 현장, 의료, 금융, IoT 등 다양한 분야에서 데이터 보안과 효율성을 동시에 만족시키는 AI 시스템 구축에 중요한 역할을 하고 있습니다. 실험 및 논문을 통해 제안된 방법론의 우수성이 검증되었으며, 국내외 주요 학회에서 다수의 수상 실적을 보유하고 있습니다.