다변량 데이터 분석은 여러 변수들 간의 상호작용과 구조를 파악하는 통계학의 핵심 분야입니다. 본 연구실에서는 다양한 실제 데이터에서 발생하는 복잡한 변수들 간의 관계를 효과적으로 분석하고 해석하기 위한 이론적 및 실용적 방법론을 개발하고 있습니다. 특히, 고차원 데이터에서의 차원 축소, 변수 선택, 그리고 데이터의 구조적 특성을 반영한 분석 기법에 중점을 두고 있습니다. 최근에는 데이터 적응형 퓨즈드 라쏘(fused lasso)와 같은 최신 통계적 방법론을 활용하여 군집 분석, 네트워크 분석 등 다양한 응용 분야에 적용하고 있습니다. 이러한 방법론은 사회 네트워크, 바이오인포매틱스, 공공 데이터 등 다양한 영역에서 복잡한 데이터의 패턴을 효과적으로 추출하고 해석하는 데 기여하고 있습니다. 또한, 실제 데이터에 내재된 잡음과 불확실성을 고려한 견고한 분석 기법 개발에도 집중하고 있습니다. 다변량 데이터 분석을 통해 얻어진 통찰은 의학, 공학, 사회과학 등 다양한 분야에서 의사결정 지원, 예측 모델 개발, 정책 수립 등에 활용될 수 있습니다. 본 연구실은 이론적 연구와 더불어 실제 데이터 분석 프로젝트를 활발히 수행하며, 데이터 기반의 문제 해결에 앞장서고 있습니다.

선택적 추론(selective inference)은 데이터 분석 과정에서 모델 선택이나 변수 선택 등 특정 선택이 이루어진 후, 그 결과에 대한 통계적 신뢰도를 정확하게 평가하는 방법론입니다. 본 연구실은 선택적 추론 프레임워크를 다변량 데이터 분석 및 통계적 학습과 결합하여, 데이터 기반의 의사결정에서 발생할 수 있는 선택 편향을 최소화하는 연구를 진행하고 있습니다. 기존의 통계적 추론 방법은 모델 선택 이후의 불확실성을 충분히 반영하지 못하는 한계가 있었습니다. 이에 따라 본 연구실에서는 선택적 추론을 기반으로 한 가설 검정, 신뢰구간 산출, 그리고 예측 성능 평가 방법을 개발하고 있습니다. 이러한 연구는 실제 데이터 분석에서 신뢰할 수 있는 결론을 도출하는 데 중요한 역할을 하며, 특히 고차원 데이터와 복잡한 모델 구조에서 그 효과가 두드러집니다. 더불어, 통계적 학습(statistical learning) 분야와의 융합을 통해 머신러닝, 인공지능 등 최신 데이터 과학 분야에도 선택적 추론의 원리를 적용하고 있습니다. 이를 통해 해석 가능하고 신뢰성 높은 예측 모델을 구축하며, 데이터 기반의 과학적 발견과 실용적 응용을 동시에 추구하고 있습니다.