신진우 연구실
김재철AI대학원 신진우
KAIST 김재철 AI대학원 및 전기및전자공학부에 소속된 본 연구실은 인공지능, 딥러닝, 머신러닝의 이론적 기반과 실용적 응용을 선도적으로 연구하고 있습니다. 연구실은 최신 딥러닝 구조, 대규모 언어 모델, 비전-언어 모델, 생성형 인공지능 등 다양한 첨단 AI 기술을 개발하고 있으며, 이론과 실제를 아우르는 폭넓은 연구를 수행하고 있습니다.
특히, 대규모 언어 모델(LLM)과 비전-언어 모델, 확산 모델, 생성적 적대 신경망(GAN) 등 최신 생성 AI 기술에 대한 연구가 활발히 이루어지고 있습니다. 이러한 연구는 자연어 처리, 컴퓨터 비전, 멀티모달 데이터 융합, 이미지 및 동영상 생성, 데이터 증강 등 다양한 응용 분야에 적용되고 있습니다. 또한, 실제 산업 현장과의 협력을 통해 연구 결과의 실질적 활용과 사회적 파급력을 높이고 있습니다.
연구실은 강화학습, 로보틱스, 안전한 인공지능, 공정성 및 편향성 제거, 신뢰성 및 강인성 확보 등 인공지능의 사회적 책임과 윤리적 문제 해결에도 큰 관심을 가지고 있습니다. 불확실성 추정, 이상 탐지, 인증된 강인성, 악의적 공격 방어 등 다양한 방법론을 개발하여 인공지능 시스템의 안전성과 신뢰성을 높이고 있습니다.
국제 주요 학회(ICLR, ICML, NeurIPS, CVPR, ACL, AAAI 등)에서 다수의 논문이 채택되는 등 세계적으로 연구 역량을 인정받고 있으며, 다양한 수상 경력과 산학협력 경험을 바탕으로 국내외 AI 연구를 선도하고 있습니다. 연구실 출신 졸업생들은 국내외 유수 대학 및 연구소, 산업계에서 활발히 활동하며 연구실의 명성을 이어가고 있습니다.
앞으로도 본 연구실은 인공지능의 이론적 혁신과 실용적 발전을 동시에 추구하며, 사회적 가치 창출과 미래 AI 생태계 발전에 기여할 것을 목표로 연구를 지속할 것입니다.
Few-shot Generalization
Visual Representation Learning
Molecular Generation
딥러닝 및 대규모 언어 모델
본 연구실은 딥러닝과 대규모 언어 모델(LLM)에 대한 심도 있는 연구를 수행하고 있습니다. 최근 인공지능 분야에서 딥러닝은 컴퓨터 비전, 음성 인식, 자연어 처리 등 다양한 인공지능 과제에서 탁월한 성능을 입증하며, 인공지능의 핵심 기술로 자리매김하고 있습니다. 연구실에서는 최신 딥러닝 구조, 효율적인 학습 방법, 그리고 대규모 데이터셋을 활용한 모델의 일반화 능력 향상에 초점을 맞추고 있습니다.
특히, 대규모 언어 모델은 자연어 이해 및 생성, 정보 검색, 대화형 인공지능 등 다양한 응용 분야에서 혁신적인 변화를 이끌고 있습니다. 연구실은 LLM의 구조적 개선, 효율적인 파인튜닝, 안전성 및 신뢰성 강화, 그리고 편향성 제거 등 실질적인 문제 해결을 위한 연구를 활발히 진행 중입니다. 또한, LLM을 활용한 에이전트 개발, 웹페이지 맥락화, 사용자 맞춤형 응답 생성 등 실제 서비스 적용을 위한 다양한 프로젝트도 수행하고 있습니다.
이러한 연구는 국제 주요 학회(ICLR, ICML, NeurIPS, ACL 등)에서 다수의 논문이 채택되는 등 세계적으로 인정받고 있으며, 연구 결과는 산업계와 학계 모두에서 높은 파급력을 보이고 있습니다. 앞으로도 본 연구실은 딥러닝과 대규모 언어 모델 분야에서 이론적·실용적 혁신을 지속적으로 선도할 계획입니다.
비전-언어 모델 및 생성 AI
연구실은 비전-언어 모델과 생성형 인공지능(Generative AI)에 대한 선도적 연구를 수행하고 있습니다. 비전-언어 모델은 이미지와 텍스트 정보를 동시에 이해하고 처리하는 인공지능 기술로, 이미지 캡셔닝, 비주얼 질문응답, 멀티모달 검색 등 다양한 응용 분야에서 활용되고 있습니다. 본 연구실은 최신 비전-언어 모델의 구조 설계, 멀티모달 데이터 융합, 그리고 대규모 사전학습 기반의 파인튜닝 기법 개발에 집중하고 있습니다.
생성형 AI 분야에서는 확산 모델(Diffusion Models), 생성적 적대 신경망(GAN), 데이터 증강 및 합성, 이미지 및 동영상 생성 등 다양한 주제를 다루고 있습니다. 특히, 텍스트-이미지 변환, 개인화된 이미지 생성, 데이터 증강을 통한 모델 성능 향상, 악의적 데이터 공격 방어 등 실제 문제 해결에 초점을 맞춘 연구가 활발히 이루어지고 있습니다. 또한, 생성 AI의 안전성, 신뢰성, 공정성 확보를 위한 연구도 병행하고 있습니다.
이러한 연구 성과는 CVPR, ECCV, ICLR, AAAI 등 세계적 학회에서 다수의 논문으로 발표되고 있으며, 산업계와의 협력 및 실제 서비스 적용 사례도 증가하고 있습니다. 앞으로도 본 연구실은 비전-언어 융합과 생성 AI 분야에서 혁신적인 기술 개발과 실질적 사회 기여를 목표로 연구를 이어갈 것입니다.
강화학습, 로보틱스 및 안전한 인공지능
본 연구실은 강화학습(Reinforcement Learning)과 로보틱스, 그리고 안전한 인공지능(Safe AI)에 대한 연구도 활발히 진행하고 있습니다. 강화학습은 에이전트가 환경과 상호작용하며 최적의 행동을 학습하는 기계학습 방법으로, 로봇 제어, 게임, 자율주행 등 다양한 분야에 적용되고 있습니다. 연구실에서는 효율적인 강화학습 알고리즘 개발, 시뮬레이션 기반 학습, 실제 로봇 적용을 위한 기술 개발에 중점을 두고 있습니다.
로보틱스 분야에서는 딥러닝과 강화학습을 접목하여 복잡한 환경에서의 로봇 인지 및 제어, 고차원 비전 정보 처리, 멀티모달 센서 융합 등 다양한 연구를 수행하고 있습니다. 또한, 분산 학습, 협동 로봇, 인간-로봇 상호작용 등 차세대 로봇 기술 개발에도 힘쓰고 있습니다.
안전한 인공지능 연구는 인공지능 시스템의 신뢰성, 공정성, 편향성 제거, 악의적 공격에 대한 방어 등 사회적 이슈 해결을 목표로 하고 있습니다. 불확실성 추정, 이상 탐지, 공정성 개입, 인증된 강인성 확보 등 다양한 방법론을 개발하여 실제 인공지능 서비스의 안전성과 신뢰성을 높이고 있습니다. 이러한 연구는 사회적으로도 큰 파급력을 가지며, 인공지능의 책임 있는 활용을 위한 기반을 마련하고 있습니다.
1
Sparsified State-Space Models are Efficient Highway Networks
Woomin Song, Jihoon Tack, Sangwoo Mo, Seunghyuk Oh, Jinwoo Shin
Transactions on Machine Learning Research (TMLR), 2025
2
NeFL: Nested Model Scaling for Federated Learning with System Heterogeneous Clients
Honggu Kang, Seohyeon Cha, Jinwoo Shin, Jongmyeong Lee, Joonhyuk Kang
IEEE Transactions on Mobile Computing (TMC), 2025
3
Confidence-aware Denoised Fine-tuning of Off-the-shelf Models for Certified Robustness (arXiv, code)
Suhyeok Jang*, Seojin Kim*, Jinwoo Shin, Jongheon Jeong
Transactions on Machine Learning Research (TMLR), 2024
