연구실은 텍스트, 이미지, 초음파 신호, 센서 정보 등 서로 다른 형태의 데이터를 통합적으로 이해하는 멀티모달 인공지능에도 강점을 보인다. 초기에는 스토리 분석과 캐릭터 네트워크 기반 내러티브 모델링, 멀티모달 데이터로부터 서사를 추출하는 연구를 수행하였으며, 이는 언어와 시각 정보를 동시에 해석하는 인공지능의 기반을 마련했다. 이후 연구는 다양한 실세계 신호를 분석하는 응용형 AI 시스템으로 확장되며, 인간 중심의 정보 이해와 현실 문제 해결을 연결하는 방향으로 발전하고 있다. 응용 측면에서는 초음파와 합성곱 신경망을 결합한 진단 및 모니터링 시스템 연구가 두드러진다. 상수도관 내부 부식 평가, 적조 실시간 추적, 혈당 분류, 적혈구 분류 기반 이상나트륨혈증 진단 등은 모두 비파괴 신호 측정과 딥러닝 분류를 결합한 사례들이다. 이러한 연구는 단순한 알고리즘 개발이 아니라, 센서 데이터 수집-신호 해석-인공지능 판별-실시간 의사결정으로 이어지는 통합 시스템 설계 역량을 보여준다. 더불어 반도체 소자 시뮬레이션과 유기 트랜지스터 모델링에도 전이학습과 신경망을 적용하여 공학적 응용 범위를 넓히고 있다. 이 주제의 강점은 연구실이 인공지능을 특정 데이터 유형에 한정하지 않고, 실제 문제의 특성에 따라 융합적으로 적용한다는 데 있다. 멀티모달 AI는 데이터 간 상호보완성을 활용하여 단일 모달보다 더 풍부한 판단 근거를 제공하며, 의료·환경·산업 설비 진단과 같은 고신뢰 응용 분야에서 특히 중요하다. 연구실은 이러한 융합 접근을 통해 실용성과 확장성을 동시에 갖춘 AI 시스템을 구현하며, 다양한 분야와의 협업 가능성을 넓혀 가고 있다.

연구실의 또 다른 핵심 분야는 사용자 행동 데이터와 상황 정보를 활용한 지능형 추천시스템 연구이다. 이 분야에서는 오프라인 리테일 키오스크, 콘텐츠 플랫폼, 영화 도메인 등 서로 다른 환경에서 사용자의 선호를 정밀하게 추론하고, 데이터가 부족하거나 불균형한 조건에서도 안정적으로 작동하는 추천 모델을 개발한다. 연구실은 전통적인 협업 필터링을 넘어 자기지도 표현학습, 크로스도메인 추천, 상황인지형 추천으로 연구 범위를 넓혀 왔다. 특히 키오스크 추천시스템 연구에서는 IoT 장치에서 수집되는 맥락 정보와 사용자 상호작용 데이터를 활용해 초개인화 추천을 구현하고, 데이터 불균형 문제를 완화하기 위해 self-supervised learning을 적용하였다. 또한 사용자 프로파일, 콘텐츠 특성, 선호도 전이 패턴을 함께 고려하는 하이브리드 필터링 및 예측적 군집화 기반 협업 필터링 관련 특허들은 연구실이 추천 알고리즘을 이론과 시스템 수준에서 동시에 발전시켜 왔음을 보여준다. 최근에는 지식그래프 기반 추천을 영화나 화장품 추천에 적용하는 등 추천시스템의 지식 기반화도 활발히 진행되고 있다. 이 연구는 실제 서비스 적용 가능성이 높다는 점에서 큰 의미를 가진다. 유통, 미디어, 전자상거래, 인터랙티브 디바이스 환경에서는 제한된 자원과 불완전한 데이터 속에서도 정확하고 설명 가능한 추천이 요구된다. 연구실은 이러한 요구에 대응하여 경량화, 맥락 인지, 도메인 적응, 사용자 행동 해석을 함께 고려하는 추천 AI를 지향하고 있으며, 이는 향후 스마트 리테일과 개인화 서비스 전반에 중요한 기반 기술이 될 수 있다.

이 연구 주제는 복잡한 실세계 데이터를 그래프와 이종 네트워크로 모델링하고, 그 안에 내재된 구조적 관계를 효과적으로 학습하는 인공지능 기법에 초점을 둔다. 연구실은 동적 이종 네트워크, 그래프 신경망, 구조적 자기주의 메커니즘, 자기지도학습을 결합하여 노드·간선·속성의 변화가 시간에 따라 발생하는 환경에서도 의미 있는 표현을 추출하는 문제를 다룬다. 특히 서지 데이터, 소셜 데이터, 의료 데이터처럼 관계성이 핵심인 영역에서 그래프 기반 표현학습의 성능과 일반화를 높이는 방향으로 연구를 전개하고 있다. 구체적으로는 그래프 표현학습에서 발생하는 구조적 편향 문제를 완화하고, 지역 연결성뿐 아니라 역할 기반 유사성까지 반영하는 학습 기법을 탐구한다. 학습 가능한 구조 증강, 구조적 self-attention, 그래프 트랜스포머, 전이성 보존 표현학습과 같은 접근은 기존 그래프 임베딩이 놓치기 쉬운 관계 정보를 더욱 정교하게 반영하도록 돕는다. 또한 의료 지식그래프의 자동 구축과 마이닝을 통해 진단보조시스템에 활용하려는 연구는 단순한 그래프 분석을 넘어 추론 가능한 지식 구조를 만드는 방향으로 확장되고 있다. 이러한 연구는 학술적으로는 그래프 기반 인공지능의 설명력과 견고성을 강화하고, 산업적으로는 추천, 진단보조, 과학 데이터 분석, 네트워크 이해 등 다양한 응용 분야에 활용될 수 있다. 특히 대규모 비정형 데이터가 관계 중심 데이터로 전환되는 환경에서 그래프 표현학습은 핵심 기반기술로 작동한다. 연구실의 방향은 단순 모델 성능 향상에 그치지 않고, 실제 문제에 맞는 효율적이며 해석 가능한 그래프 AI를 구현하는 데 있다.