유재민 연구실의 핵심 축 중 하나는 그래프와 하이퍼그래프처럼 복잡한 관계형 데이터를 효과적으로 표현하고 분석하는 기계학습 및 데이터마이닝 연구이다. 일반적인 그래프가 두 개체 간의 쌍대 관계를 표현하는 데 적합하다면, 하이퍼그래프는 다자 상호작용을 자연스럽게 모델링할 수 있어 공동저자 네트워크, 질의응답 토론, 추천 시스템, 생물학적 상호작용 등 다양한 실제 데이터를 더 정확하게 반영한다. 이 연구실은 이러한 고차 관계 구조를 단순화하지 않고 그대로 다루면서도 계산 효율성과 예측 성능을 동시에 확보하는 알고리즘 설계에 집중하고 있다. 특히 방향성 하이퍼그래프의 상호성 측정, 실제 하이퍼그래프의 대표 샘플링, 시점 복원형 샘플링, 하이퍼그래프 신경망 기반 분류 등은 연구실의 대표적인 주제들이다. 관련 논문들에서는 실제 대규모 하이퍼그래프에서 어떤 통계량이 중요한지 분석하고, 입력 전체를 사용하지 않더라도 구조적 특성을 잘 보존하는 부분 하이퍼그래프를 효율적으로 추출하는 방법을 제안하였다. 또한 정점·간선·하이퍼엣지 수준의 패턴을 동시에 고려하여 기존 그래프 학습 기법이 놓치기 쉬운 고차 상호작용의 본질을 포착하려는 접근이 두드러진다. 이러한 연구는 대규모 네트워크 분석의 확장성과 설명 가능성을 높이는 데 중요한 의미를 갖는다. 실제 산업 및 학술 환경에서는 데이터가 매우 크고 계속 변화하므로, 전체 구조를 모두 처리하지 않고도 핵심 특성을 유지하는 샘플링과 표현학습 기술이 필수적이다. 유재민 연구실의 연구는 복잡계 데이터의 분석 정확도를 높이는 동시에, 추천, 이상탐지, 지식발견, 네트워크 과학 등 여러 응용 분야로 연결될 수 있는 기반 기술을 제공한다.

연구실의 또 다른 중심 주제는 라벨이 부족하거나 아예 존재하지 않는 환경에서 신뢰도 높은 탐지를 수행하기 위한 자기지도 학습 기반 이상탐지이다. 현실의 보안 로그, 시계열 센서 데이터, 그래프 네트워크 데이터는 정상 데이터가 압도적으로 많고 이상 패턴은 드물며, 이상의 형태도 계속 변한다. 이 때문에 전통적인 지도학습 방식만으로는 실제 문제를 해결하기 어렵다. 유재민 연구실은 이러한 한계를 극복하기 위해 자기지도 학습을 통해 데이터의 내재 구조를 학습하고, 그 표현 공간에서 이상 여부를 보다 정교하게 판단하는 방법론을 연구하고 있다. 최근 프로젝트와 국제학회 발표를 보면 시공간 그래프 이상탐지, 이미지 이상탐지, 시계열 이상탐지, 비지도 이상치 탐지 모델 선택 문제 등으로 연구 범위가 확장되고 있다. 특히 시공간 그래프 이상탐지 프레임워크 개발 과제는 다변량 시계열과 그래프 신경망을 결합하여, 시간적 변화와 공간적 연결성을 동시에 반영하는 실시간 탐지를 목표로 한다. 또한 자기지도 손실 설계, 정렬 검증 손실, 재구성 기반 탐지기의 한계 분석 및 개선 등은 단순히 모델을 적용하는 수준을 넘어 이상탐지 자체의 평가 기준과 학습 원리를 재정립하려는 시도로 볼 수 있다. 이 연구는 산업 보안, 스마트 제조, 네트워크 운영, 금융 모니터링, 교통 시스템 등 실시간 의사결정이 중요한 영역에서 높은 활용 가능성을 가진다. 이상탐지는 단순히 정확도만 높다고 충분하지 않고, 빠른 처리 속도와 낮은 오탐률, 환경 변화에 대한 강건성이 동시에 요구된다. 유재민 연구실은 자기지도 표현학습과 구조적 데이터 분석을 결합하여 이러한 요구에 대응하고 있으며, 앞으로도 다양한 도메인에서 범용적으로 적용 가능한 차세대 이상탐지 기술을 발전시킬 가능성이 크다.

유재민 연구실은 정확도 중심의 모델 개발을 넘어, 그래프 학습 모델을 더 해석 가능하고 가볍고 견고하게 만드는 연구도 활발히 수행하고 있다. 실제 응용에서는 모델이 왜 그런 예측을 내렸는지 설명할 수 있어야 하며, 제한된 계산 자원에서도 안정적으로 동작해야 한다. 특히 그래프 데이터는 구조와 속성이 얽혀 있어 일반 딥러닝보다 해석과 최적화가 더 어렵기 때문에, 모델의 내부 작동 원리를 밝히고 효율을 개선하는 연구가 매우 중요하다. 관련 특허와 논문을 보면 인공 신경망의 지식 추출, 딥러닝 신경망 압축, 그래프 데이터 증강, 모델 불가지론적 그래프 분류 증강, 구조화된 변분 그래프 오토인코더를 통한 정점 특성 추정 등 다양한 주제가 포함된다. 이는 단순히 성능 향상만을 목표로 하지 않고, 데이터가 부족한 환경에서는 증강으로 일반화를 높이고, 복잡한 신경망은 압축과 지식 추출을 통해 배포 가능성과 해석성을 강화하며, 그래프 구조의 불확실성은 확률적 모델링으로 보완하려는 통합적 관점을 보여준다. 또한 최근에는 GNN과 LLM의 연결, 파라미터 프리 하이퍼그래프 신경망, DropEdge 재해석 등으로 연구가 확장되고 있다. 이러한 연구 방향은 학문적으로는 그래프 기계학습의 원리 이해를 심화시키고, 실용적으로는 실제 서비스에 적용 가능한 모델 설계를 가능하게 한다. 해석 가능성과 경량화는 의료, 보안, 금융처럼 신뢰성과 배포 효율이 중요한 분야에서 특히 큰 가치를 가진다. 유재민 연구실은 성능, 효율, 설명 가능성을 함께 고려하는 연구를 통해 차세대 그래프 인공지능의 실용적 기반을 마련하고 있다.