현실 데이터는 종종 노이즈와 불확실성을 포함하며, 시간에 따라 지속적으로 생성된다. 윤은일 연구실은 이러한 실제 환경을 반영하기 위해 불확실 데이터, 퍼지 이론, 시계열 요소를 결합한 데이터 스트림 분석 연구를 수행한다. 이는 센서 오차, 불완전한 측정, 개념 변화와 같은 문제를 다루면서도 사람이 이해하기 쉬운 형태의 패턴을 추출하려는 시도라는 점에서 의미가 크다. 대표적으로 동적 불확실 데이터 스트림에서 시간 정보를 반영한 퍼지 유틸리티 패턴을 추출하는 연구는 이 연구실의 최근 방향을 잘 보여준다. 해당 연구에서는 거래 내 항목의 불확실성을 반영하고, 퍼지 집합을 통해 언어적으로 해석 가능한 패턴을 만들며, 리스트 구조와 다양한 프루닝 기법으로 연산 비용을 낮춘다. 또한 멤버십 함수 변화, 데이터 증가, 임계값 변화, 개념 드리프트 상황에서도 안정적으로 작동하는 확장성 높은 알고리즘을 지향한다. 이러한 연구 성과는 스마트 센서, 에너지 관리, 산업 모니터링, 실시간 의사결정 시스템 같은 분야에서 직접 활용될 수 있다. 연구실은 전력 부하 및 가격 예측, 재생에너지 분류와 같은 응용 연구도 병행하며, 시계열 패턴·클러스터링·데이터 융합을 실제 문제 해결에 연결하고 있다. 결국 이 연구 방향은 불확실하고 연속적으로 변화하는 데이터 환경에서도 신뢰도 높은 분석 결과를 제공하는 지능형 데이터 마이닝 기술로 이어진다.

윤은일 연구실의 핵심 연구 주제 가운데 하나는 대규모 데이터베이스와 데이터 스트림에서 의미 있는 패턴을 효율적으로 발견하는 패턴 마이닝이다. 특히 단순히 자주 나타나는 항목을 찾는 빈발 패턴 마이닝을 넘어서, 중요도·가중치·희소성·유틸리티를 함께 고려하는 고급 마이닝 기법에 집중한다. 이를 통해 실제 응용 환경에서 더 가치 있는 지식과 의사결정 규칙을 추출하는 것을 목표로 한다. 이 연구실은 하이 유틸리티 패턴, 맥시멀 패턴, 희귀 패턴, 이레이저블 패턴, 가중 패턴, 정규성 기반 패턴 등 다양한 유형의 패턴을 다룬다. 또한 점진적 데이터베이스, 슬라이딩 윈도우, 실시간 데이터 스트림 환경에서 데이터 재스캔을 최소화하기 위한 리스트 기반 자료구조, 프루닝 전략, 프리라지 기반 탐색 기법 등을 발전시켜 왔다. 관련 국가연구과제에서도 데이터 재스캔을 줄이는 효율적 데이터 마이닝 기술 개발을 수행한 점은 이 연구 방향의 연속성과 실용성을 보여준다. 이러한 연구는 유통, 센서 데이터, 로그 분석, 네트워크 트래픽, 산업 시스템 모니터링 등 반복적으로 대량 데이터가 생성되는 환경에서 큰 의미를 가진다. 연구실의 성과는 계산 효율성과 메모리 사용량을 동시에 개선하면서도 패턴의 완전성과 해석 가능성을 확보하는 데 초점을 둔다. 앞으로도 대용량·실시간·불확실 데이터 환경에서 더 빠르고 설명 가능한 패턴 마이닝 기술을 통해 데이터 기반 지능형 시스템의 기반을 확장할 가능성이 크다.

연구실의 또 다른 대표 분야는 그래프 구조 데이터의 분석이다. 사회관계망, 센서 네트워크, 생물정보, 산업 시스템, 추천 시스템과 같은 복잡한 연결 데이터를 대상으로 정적 그래프뿐 아니라 시간에 따라 변화하는 동적 그래프에서 의미 있는 패턴을 탐색한다. 이는 단순한 표 형태 데이터 분석으로는 파악하기 어려운 관계성, 진화 과정, 구조적 상호작용을 이해하기 위한 중요한 연구 영역이다. 특히 동적 그래프 패턴 마이닝에 대한 연구와 리뷰 논문은 연구실의 전문성을 잘 보여준다. 빈발 부분그래프, 클리크, 트리, 서브그래프 시퀀스, 진화 규칙, 모티프, 반복 패턴, 트리거 패턴, 트렌드 시퀀스 등 다양한 구조 패턴을 대상으로 알고리즘적 장단점을 비교하고, 데이터 스트림 및 빅데이터 환경으로 확장하는 방법을 탐구한다. 더 나아가 이질적 정보 네트워크 임베딩과 의미 인지형 표현 학습을 활용하여 추천 시스템 성능을 높이는 연구도 수행하며, 구조 정보와 비정형 의미 정보를 결합하는 방향으로 확장하고 있다. 이 연구는 관계형 데이터 분석을 넘어 복합 네트워크의 예측과 추천, 이상 탐지, 사용자-아이템 상호작용 이해에 직접적으로 기여한다. 메타패스 기반 랜덤워크, 임베딩, 행렬분해, 의미 유사도 학습 등 다양한 기법을 통합함으로써 그래프 데이터의 구조적 정보와 의미적 맥락을 동시에 반영할 수 있다. 결과적으로 연구실은 전통적인 그래프 마이닝과 최신 표현 학습을 연결하는 연구를 통해 차세대 지식발견 및 추천 기술의 기반을 구축하고 있다.