우리 연구실은 기계학습과 딥러닝 분야에서 핵심적인 알고리즘 개발에 집중하고 있습니다. 분류, 군집화, 이상 탐지, 차원 감소 등 다양한 문제를 해결하기 위한 새로운 모델과 방법론을 연구하며, 이론적 기반과 실용적 성능을 모두 고려한 혁신적인 접근법을 제시하고 있습니다. 특히, 고차원 데이터와 스트리밍 데이터와 같이 실제 환경에서 자주 마주치는 복잡한 데이터 구조에 적합한 알고리즘을 설계하는 데 주력하고 있습니다. 최근에는 연합학습(Federated Learning) 환경에서의 알고리즘 개발에도 많은 노력을 기울이고 있습니다. 데이터가 분산되어 있고, 각 노드의 데이터 분포가 상이한 Non-IID 환경에서 효과적으로 학습할 수 있는 연합 Random Forest, XGBoost, Isolation Forest 등 다양한 모델을 연구하고 있습니다. 이러한 연구는 개인정보 보호와 데이터 보안이 중요한 현대 사회에서 더욱 각광받고 있으며, 실제 산업 현장에 적용 가능한 기술로 발전하고 있습니다. 또한, 기존의 지도학습, 비지도학습, 준지도학습을 넘어서, 능동학습과 반감독학습 등 다양한 학습 패러다임을 접목하여 데이터 라벨링 비용을 최소화하고, 소규모 데이터 환경에서도 높은 성능을 낼 수 있는 방법론을 개발하고 있습니다. 이러한 연구는 의료, 교통, 에너지 등 다양한 응용 분야에서 실제 문제 해결에 기여하고 있습니다.

데이터 마이닝은 대규모 데이터에서 유용한 패턴이나 지식을 추출하는 기술로, 우리 연구실은 텍스트, 이미지, 센서 데이터 등 다양한 형태의 데이터에 적용 가능한 데이터 마이닝 알고리즘을 개발하고 있습니다. 특히, 고차원 데이터에서의 차원 축소 및 특징 추출, 스트리밍 데이터에서의 실시간 이상 패턴 탐지, 개념 변화 탐지 등 실시간성과 정확성을 동시에 요구하는 문제에 대한 연구를 활발히 수행하고 있습니다. 이상 탐지 분야에서는 전력 소비 데이터, 센서 데이터, 소셜 네트워크 데이터 등 다양한 실제 데이터를 대상으로, 군집 기반, 거리 기반, 앙상블 기반, 딥러닝 기반의 이상 탐지 기법을 개발해왔습니다. 예를 들어, 랜드마크를 이용한 거리 기반 이상치 탐지, 텍스트 임베딩을 활용한 신규 주제 탐지, 스트리밍 데이터에서의 이상 패턴 탐지 등 다양한 방법론이 실제 논문과 특허로 이어지고 있습니다. 또한, 설명 가능한 인공지능(XAI) 관점에서 이상 탐지 결과의 해석 가능성을 높이기 위한 연구도 병행하고 있습니다. 이러한 기술들은 에너지 도난 탐지, 고속 열차 고장 예측, 스마트 선박 데이터 분석, 운전자 스트레스 분석 등 다양한 산업 및 사회 문제 해결에 직접적으로 활용되고 있습니다. 실제로 여러 특허와 산업 협력 프로젝트를 통해 연구 성과가 실용화되고 있으며, 데이터 기반 의사결정의 신뢰성과 효율성을 높이는 데 기여하고 있습니다.

우리 연구실은 개발된 기계학습 및 데이터마이닝 알고리즘을 다양한 응용 분야에 적용하여 실제 문제를 해결하는 데 큰 비중을 두고 있습니다. 대표적으로, 자율주행 차량의 운전자 행동 분석, 스마트 에너지 관리, 공공 보건 데이터 분석, 레이더 신호 처리, 소셜 네트워크 분석 등 다양한 도메인에서 연구 성과를 내고 있습니다. 예를 들어, 자율주행 차량 분야에서는 운전자의 EEG 신호와 주행 정보 데이터를 융합하여 운전자 피로도 및 반응 시간 예측, 안전 운전 지원 시스템 개발에 기여하고 있습니다. 또한, 공공 보건 분야에서는 웨어러블 디바이스를 활용한 스트레스 분류, 에너지 분야에서는 전력 소비 데이터의 이상 패턴 탐지 및 에너지 도난 방지 시스템 개발 등 실제 산업 현장에서 요구되는 문제를 해결하고 있습니다. 이와 더불어, 소셜 네트워크 서비스에서의 스팸 탐지, 신규 토픽 탐지, 트위터 데이터 분석 등 텍스트 마이닝 기술을 활용한 연구도 활발히 이루어지고 있습니다. 이러한 응용 연구는 다양한 정부 및 산업체 프로젝트와 연계되어 실질적인 사회적, 경제적 가치를 창출하고 있으며, 연구실의 기술력이 실제 현장에 적용되는 성공적인 사례로 이어지고 있습니다.