Hongseok's lab
전산학부 양홍석
홍석 양 교수 연구실은 프로그래밍 언어와 기계학습의 융합, 그리고 확률적 프로그래밍 및 프로그램 분석 분야에서 세계적인 연구를 선도하고 있습니다. 본 연구실은 프로그래밍 언어 이론과 기계학습 알고리즘의 경계에서 발생하는 다양한 문제를 다루며, 이론적 연구와 실용적 응용을 동시에 추구합니다. 특히, 확률적 프로그래밍 언어의 설계와 구현, 그리고 이를 활용한 추론 알고리즘 개발에 중점을 두고 있습니다.
연구실의 주요 연구 분야 중 하나는 확률적 프로그래밍과 일반화된 확률적 추론입니다. 이를 통해 복잡한 통계적 모델을 간결하게 표현하고, 다양한 추론 기법을 효율적으로 적용할 수 있는 새로운 언어적 프레임워크를 개발하고 있습니다. 또한, 논리 기반의 프로그래밍 언어 기술과 데이터 기반의 기계학습 기법을 결합하여, 기존에 어려웠던 문제들을 해결할 수 있는 혁신적인 프로그램 분석 알고리즘을 연구하고 있습니다.
정적 분석과 프로그램 분석 자동화 분야에서도 본 연구실은 탁월한 성과를 내고 있습니다. 베이지안 최적화, 지도학습, 자동 특징 생성 등 최신 기계학습 방법론을 활용하여, 분석 전략을 자동으로 학습하고 최적화하는 연구를 수행합니다. 이를 통해 대규모 소프트웨어 시스템의 오류를 사전에 탐지하고, 프로그램의 안전성과 신뢰성을 높이는 데 기여하고 있습니다.
이러한 연구는 실제 데이터 과학, 인공지능, 소프트웨어 공학 등 다양한 분야에 응용되고 있습니다. 예를 들어, 복잡한 네트워크 데이터의 모델링, 대규모 데이터셋에 대한 효율적인 추론, 신뢰성 있는 인공지능 시스템 구축, 그리고 자동화된 코드 검증 등에서 본 연구실의 성과가 활용되고 있습니다.
앞으로도 홍석 양 교수 연구실은 프로그래밍 언어, 기계학습, 확률적 프로그래밍, 프로그램 분석 등 다양한 분야에서 혁신적인 연구를 지속적으로 추진하며, 학계와 산업계 모두에 큰 기여를 할 것으로 기대됩니다.
Machine Learning
Programming Languages
Bayesian Methods
프로그래밍 언어와 기계학습의 경계 연구
본 연구실은 프로그래밍 언어(PL)와 기계학습(ML) 사이의 경계에서 발생하는 다양한 이론적 및 실용적 문제를 다룹니다. 특히, 확률적 프로그래밍과 일반적인 확률적 추론에 관한 이슈를 중심으로, 두 분야의 융합을 통해 새로운 연구 방향을 모색하고 있습니다. 이러한 연구는 전통적인 프로그래밍 언어 이론과 현대 기계학습 기법을 결합하여, 복잡한 데이터와 모델을 효과적으로 다루는 새로운 언어적 프레임워크를 개발하는 데 중점을 둡니다.
연구실에서는 확률적 프로그래밍 언어의 설계와 구현, 그리고 이를 활용한 다양한 추론 알고리즘의 개발에 힘쓰고 있습니다. 예를 들어, 확률적 프로그래밍 언어를 활용하여 복잡한 베이지안 모델을 간결하게 표현하고, 효율적인 추론을 가능하게 하는 방법론을 연구합니다. 또한, 논리 기반의 프로그래밍 언어 기술과 데이터 기반의 기계학습 기법을 결합하여, 기존에 어려웠던 문제들을 해결할 수 있는 새로운 프로그램 분석 알고리즘을 개발하고 있습니다.
이러한 연구는 이론적 기초뿐만 아니라 실제 응용에도 큰 영향을 미치고 있습니다. 예를 들어, 확률적 프로그래밍을 활용한 자동화된 추론 시스템, 복잡한 데이터 구조를 다루는 프로그램의 정적 분석, 그리고 기계학습 모델의 신뢰성 향상 등 다양한 분야에 적용되고 있습니다. 앞으로도 본 연구실은 PL과 ML의 경계에서 혁신적인 연구를 지속적으로 추진할 계획입니다.
확률적 프로그래밍과 추론 알고리즘
확률적 프로그래밍은 통계적 모델링과 기계학습을 프로그래밍 언어의 형태로 표현하고, 일반화된 추론 엔진을 통해 다양한 문제를 해결하는 혁신적인 접근 방식입니다. 본 연구실은 확률적 프로그래밍 언어의 이론적 기반을 다지고, 실제로 사용할 수 있는 언어와 시스템을 개발하는 데 주력하고 있습니다. 이를 통해 복잡한 확률 모델을 쉽게 작성하고, 다양한 추론 기법을 적용할 수 있는 환경을 제공합니다.
특히, 본 연구실은 확률적 프로그래밍 언어의 의미론, 추론 알고리즘의 정확성 및 효율성, 그리고 비미분 가능 모델에 대한 추론 방법론 등 다양한 주제를 심도 있게 연구합니다. 예를 들어, 경로별 그래디언트 추정기(pathwise gradient estimator)와 같은 첨단 추론 기법을 확률적 프로그램에 적용하여, 기존의 한계를 극복하고 더 넓은 범위의 모델에 대해 효율적인 학습과 추론을 가능하게 합니다. 또한, 확률적 프로그래밍 언어의 수학적 구조와 그래프 이론, 카테고리 이론 등과의 연계도 활발히 이루어지고 있습니다.
이러한 연구는 실제 데이터 과학, 인공지능, 베이지안 추론 등 다양한 분야에 응용되고 있습니다. 예를 들어, 복잡한 네트워크 데이터의 모델링, 대규모 데이터셋에 대한 효율적인 추론, 그리고 신뢰성 있는 인공지능 시스템 구축 등에서 본 연구실의 성과가 활용되고 있습니다. 앞으로도 확률적 프로그래밍과 추론 알고리즘 분야에서 세계적인 선도 연구를 이어갈 계획입니다.
프로그램 분석 및 정적 분석의 자동화와 최적화
본 연구실은 프로그램의 정적 분석(static analysis)과 프로그램 분석 자동화 분야에서도 활발한 연구를 진행하고 있습니다. 정적 분석은 소프트웨어의 오류를 사전에 탐지하고, 프로그램의 안전성과 신뢰성을 높이는 데 필수적인 기술입니다. 본 연구실은 데이터 기반의 기계학습 기법과 논리 기반의 전통적 분석 기법을 결합하여, 기존보다 더 정확하고 효율적인 분석 도구를 개발하고 있습니다.
특히, 베이지안 최적화, 지도학습, 자동 특징 생성 등 최신 기계학습 방법론을 활용하여, 분석 전략을 자동으로 학습하고 최적화하는 연구를 수행합니다. 예를 들어, 대규모 코드베이스에서 변수 클러스터링 전략을 자동으로 학습하거나, 분석의 정밀도와 비용을 균형 있게 조절하는 적응형 분석 기법을 개발합니다. 또한, Datalog 기반의 분석, 추상 해석(abstraction refinement), 그리고 프로그램의 다양한 속성을 효과적으로 검증하는 방법론도 연구의 중요한 축을 이룹니다.
이러한 연구는 실제 산업 현장에서의 소프트웨어 품질 향상, 대규모 시스템의 오류 예방, 그리고 자동화된 코드 검증 등 다양한 응용 분야에 기여하고 있습니다. 앞으로도 본 연구실은 프로그램 분석의 자동화와 최적화 분야에서 혁신적인 연구를 지속적으로 추진할 계획입니다.
1
Semantics of Integrating and Differentiating Singularities
Jesse Michel, Wonyeol Lee, Hongseok Yang
PLDI 2025, 2025.06
2
Parameter Expanded Stochastic Gradient Descent Markov Chain Monte Carlo
Hyunsu Kim, Giung Nam, Chulhee Yun, Hongseok Yang, Juho Lee
ICLR 2025, 2025.04
3
Over-parameterised Shallow Neural Networks with Asymmetrical Node Scaling: Global Convergence Guarantees and Feature Learning
François Caron, Fadhel Ayed, Paul Jung, Hoil Lee, Juho Lee, Hongseok Yang
Transactions on Machine Learning Research (TMLR), 2025.02
1
(통합EZ)고성능 기계학습 모델 개발과 분석을 위한 프로그래밍 언어 기술(2024년도)
3
(통합EZ)고성능 기계학습 모델 개발과 분석을 위한 프로그래밍 언어 기술(2023년도)
