류홍서 연구실의 핵심 축은 정수계획법, 이산최적화, 조합최적화, 전역최적화를 포함하는 수리계획법 연구이다. 연구실은 복잡한 의사결정 문제를 수학적으로 정식화하고, 이를 효율적으로 풀기 위한 엄밀한 모델과 알고리즘을 개발하는 데 강점을 보인다. 특히 0-1 정수계획, 혼합정수선형계획, 비선형 및 비볼록 최적화 문제를 대상으로 산업공학적 문제와 데이터 분석 문제를 연결하는 연구를 지속해 왔다. 이 연구 방향은 대규모 복합 시스템의 redundancy optimization, 패턴 생성 문제를 위한 multilinear program, hypergraph 기반 valid inequality 도출, polyhedral relaxation 및 compact linearization과 같은 주제로 구체화된다. 연구실은 단순히 최적해를 계산하는 수준을 넘어, 문제 구조를 해석하고 더 강한 수학적 완화식을 설계하며, 계산 효율을 높이는 이론적 기여를 추구한다. 또한 tabu search와 같은 메타휴리스틱을 함께 활용하여 대규모 문제에서 실용적 해법을 제시하는 점도 중요한 특징이다. 이러한 연구는 산업공학, 경영과학, 수학적 데이터분석, 시스템 설계 등 다양한 분야에 직접 연결된다. 복잡한 데이터와 의사결정 환경이 확대될수록 엄밀한 최적화 모델의 중요성은 더욱 커지고 있으며, 연구실의 접근은 설명 가능성과 계산 가능성을 동시에 확보하는 데 유리하다. 앞으로도 이 연구는 하이퍼그래프, 다면체 이론, 혼합정수최적화의 결합을 통해 고차원 데이터와 복합 시스템 문제를 다루는 핵심 방법론으로 확장될 가능성이 높다.

연구실은 불린 논리와 Logical Analysis of Data(LAD)에 기반한 데이터 분류 및 패턴 인식 연구를 활발히 수행하고 있다. 이는 수치 데이터나 범주형 데이터로부터 해석 가능한 논리 패턴을 추출하고, 이를 이용해 분류 규칙이나 의사결정 기준을 만드는 접근이다. 최근 프로젝트에서도 불린논리 기반 지식 및 분류이론이 인간의 언어 구조와 닮아 있어 설명가능한 인공지능(XAI) 관점에서 높은 실용적 가치를 가진다는 점이 강조된다. 관련 연구는 Pareto-optimal Boolean logical patterns, Boolean pattern recognition, support feature selection, generalized piecewise nonlinear discriminant functions, mixed 0-1 integer programming 기반 분류 모델 등으로 이어진다. 연구실은 데이터 분류 문제를 단순한 예측 문제로 보지 않고, 조합적 구조와 논리적 규칙의 탐색 문제로 재해석한다. 이를 위해 혼합정수선형계획법, set covering, discriminant function 설계, pattern generation 알고리즘을 결합하여 높은 해석력과 성능을 동시에 추구한다. 이 연구의 강점은 결과가 블랙박스가 아니라 규칙 형태로 제시된다는 점이다. 따라서 바이오인포매틱스, 의료영상, 사회현상 분석, 설문 데이터 분석 등 설명 책임이 중요한 분야에서 활용 가능성이 높다. 향후에는 대규모 데이터셋, 이미지 분류, 생물의학 데이터, 사회과학 데이터 등 다양한 응용 영역에서 논리 기반 분류기의 확장과 계산 효율 향상이 중요한 연구 방향이 될 것으로 보인다.

류홍서 연구실은 최근 하이퍼그래프 이론과 위상수학적 데이터 분석을 결합한 새로운 수리적 데이터 분석 방법론을 발전시키고 있다. 연구과제와 학술발표를 보면 하이퍼그래프를 이용한 데이터 및 불린요인 사이의 조합적 속성 연구, Boolean pattern generation을 위한 hypergraph, 그리고 persistent homology 기반 데이터 클러스터링 등이 주요 주제로 나타난다. 이는 복잡한 데이터의 관계 구조를 단순한 쌍대 관계가 아니라 다자 관계로 이해하려는 시도라는 점에서 의미가 크다. 연구실은 하이퍼그래프를 이용해 0-1 다중선형 프로그램의 구조를 분석하고, 강한 valid inequality와 polyhedral relaxation을 도출하는 한편, 위상수학적 관점에서는 simplices, persistent structure, homological interval, topological clustering 등의 개념을 데이터 분석에 적용한다. 이러한 접근은 기존 통계적 분류나 기계학습이 놓치기 쉬운 구조적 연결성, 고차 상호작용, 형태적 지속성을 포착하는 데 적합하다. 특히 point cloud data, 뇌 fMRI 데이터, 의료영상 등 복잡하고 고차원적인 데이터에서 위상학적 특징을 추출하려는 발표들이 이를 뒷받침한다. 이 연구는 수학, 산업공학, 데이터사이언스, 바이오메디컬 응용을 잇는 융합성이 매우 높다. 하이퍼그래프와 위상수학은 단순한 시각화 도구가 아니라, 복잡한 관계를 계산 가능한 수학 구조로 바꾸는 핵심 틀이 될 수 있다. 앞으로 이 방향은 설명 가능한 패턴 발견, 고차원 클러스터링, 의료 및 뇌과학 데이터 해석, 복합 네트워크 분석 등으로 확장되며 연구실의 차별화된 방법론적 정체성을 더욱 강화할 것으로 기대된다.