상세 설명

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.

키워드

관련 이미지

관련 자료