Brain Computing and Machine Intelligence Lab
컴퓨터학부 박혜영
Brain Computing and Machine Intelligence Lab(BCMIL)은 인공지능, 신경망, 패턴 인식, 그리고 멀티모달 정보 처리 분야에서 세계적인 수준의 연구를 수행하고 있습니다. 본 연구실은 인간 두뇌의 정보 처리 원리와 신경과학적 이론을 바탕으로, 차세대 인공지능 학습 알고리즘과 신경망 모델 개발에 집중하고 있습니다. 오류 역전파의 한계를 극복하는 새로운 학습 이론, 생물학적 영감을 받은 신경망 구조, 그리고 효율적이고 병렬화가 가능한 학습 방법론을 통해 인공지능의 이론적·실용적 발전을 선도하고 있습니다.
또한, 딥러닝 기반 인공지능 시스템의 적대적 강건성(adversarial robustness) 확보와 설명 가능한 인공지능(XAI) 기술 개발에도 주력하고 있습니다. 의료, 자율주행, 보안 등 실제 응용 분야에서 발생할 수 있는 다양한 공격 및 취약성에 대응하기 위한 방어 메커니즘을 연구하며, 신뢰성 높은 AI 시스템 구현을 목표로 하고 있습니다. 이러한 연구는 AI의 안전성과 신뢰성 향상에 크게 기여하고 있습니다.
멀티모달 정보 검색 및 요약 분야에서도 활발한 연구가 이루어지고 있습니다. 이미지, 텍스트, 비디오 등 다양한 데이터 유형 간의 의미적 관계를 이해하고, 이를 기반으로 한 고도화된 검색 및 요약 기술을 개발하고 있습니다. 디퓨전 모델 기반의 추상적 요약, 텍스트-비디오 검색, 이미지 추천 등 실제 산업 및 사회에 적용 가능한 기술을 지속적으로 선보이고 있습니다.
아울러, 데이터가 제한된 환경에서의 Few-shot 학습, 패턴 인식, 메타러닝 등 소량 데이터 기반의 딥러닝 혁신에도 앞장서고 있습니다. 통계적 분석, 환경 요인 제거, 클래스 요인 강조 등 다양한 기법을 접목하여, 의료 영상, 특수 환경 객체 인식 등 데이터 수집이 어려운 분야에서도 높은 성능을 달성하고 있습니다.
BCMIL은 이론과 실용을 아우르는 다양한 연구 프로젝트, 특허, 논문 발표, 산학협력 활동을 통해 국내외 인공지능 연구를 선도하고 있습니다. 앞으로도 두뇌과학과 인공지능의 융합을 통해, 인간과 사회에 실질적으로 기여할 수 있는 혁신적 AI 기술 개발에 매진할 것입니다.
Machine Learning
Deep Learning
Learning Algorithms
차세대 신경망 학습 알고리즘: 오류 역전파를 넘어서
본 연구실은 기존의 오류 역전파(backpropagation) 알고리즘의 한계를 극복하기 위한 차세대 신경망 학습 알고리즘 개발에 집중하고 있습니다. 오류 역전파는 심층 신경망의 신호 전달 및 학습에서 중요한 역할을 해왔으나, 생물학적 비근사성과 계산 효율성 측면에서 여러 한계가 존재합니다. 이를 해결하기 위해 무작위 가중치 기반 학습, 레이어별 병렬 학습, 그리고 직접 피드백 신호를 활용한 새로운 학습 방법론을 연구하고 있습니다.
특히, 본 연구실에서는 순방향 신호와 직접 순방향 신호를 동기화하여 피드백 시냅스 가중치를 학습하는 레이어별 병렬 학습법을 제안하였으며, Predictive Coding 이론에 기반한 학습 이론을 심층적으로 탐구하고 있습니다. 이러한 접근은 신경망의 학습 효율성을 높이고, 실제 뇌의 정보 처리 방식에 더 가까운 인공지능 모델을 구현하는 데 기여합니다.
이러한 연구는 인공지능의 이론적 발전뿐만 아니라, 실제 대규모 데이터 처리 및 복잡한 문제 해결에 적용될 수 있는 실용적 신경망 모델 개발로 이어지고 있습니다. 앞으로도 신경과학적 영감을 받은 학습 이론과 알고리즘의 융합을 통해, 인공지능의 새로운 패러다임을 제시하고자 합니다.
설명 가능한 적대적 강건성 및 실용적 AI 보안
딥러닝 기반 인공지능 시스템의 상용화가 확대됨에 따라, 적대적 공격(adversarial attack)에 대한 방어와 강건성(robustness)은 필수적인 연구 주제로 부상하고 있습니다. 본 연구실은 딥 뉴럴 네트워크(DNN)의 적대적 취약성 원인 분석, 도메인 특이적 속성 탐구, 그리고 설명 가능한 방어 기법 개발에 중점을 두고 있습니다. 다양한 공격 및 방어 환경에서 발생하는 복잡한 취약성의 원인을 체계적으로 분석하고, 이들 간의 관계와 핵심 요인을 규명함으로써, 보다 신뢰성 높은 AI 시스템을 구현하고자 합니다.
특히, 의료 진단 시스템, 자율주행 자동차 등 생명과 직결된 분야에서의 적대적 강건성 확보를 위한 연구를 병행하고 있습니다. 각 도메인에 특화된 공격 및 방어 전략을 설계하고, 실제 환경에서의 실증적 검증을 통해 실용적 적용 가능성을 높이고 있습니다. 또한, 설명 가능한 인공지능(XAI) 기법을 접목하여, 방어 메커니즘의 투명성과 신뢰성을 강화하고 있습니다.
이러한 연구는 AI 시스템의 안전성과 신뢰성 향상에 기여할 뿐만 아니라, 미래 사회에서 인공지능이 보다 폭넓게 활용될 수 있는 기반을 마련합니다. 앞으로도 본 연구실은 적대적 환경에서도 견고하게 동작하는 AI 기술 개발을 선도해 나갈 것입니다.
멀티모달 정보 검색 및 요약: 이미지-텍스트-비디오 융합
현대 사회는 다양한 형태의 데이터가 융합되어 존재하는 멀티모달 환경으로 변화하고 있습니다. 본 연구실은 이미지, 텍스트, 비디오 등 서로 다른 데이터 유형 간의 의미적 관계를 이해하고, 이를 효과적으로 검색 및 요약하는 기술 개발에 주력하고 있습니다. 특히, 텍스트와 이미지를 결합한 composed image retrieval, 텍스트 기반 비디오 검색(text-video retrieval) 등 복합 쿼리 처리와 세밀한 유사성 평가를 위한 알고리즘을 연구하고 있습니다.
이와 더불어, 디퓨전 모델을 활용한 추상적 요약(abstractive summarization) 연구도 활발히 진행 중입니다. 디퓨전 기반 요약 모델에 사실적 일관성(factual consistency) 가이드 모듈을 통합하여, 다양성과 신뢰성을 동시에 갖춘 요약문 생성을 목표로 하고 있습니다. 이러한 기술은 빅데이터 환경에서 정보의 핵심을 빠르고 정확하게 파악하는 데 큰 역할을 하며, 실제 보고서 자동 생성, 미디어 콘텐츠 검색 등 다양한 응용 분야에 적용되고 있습니다.
멀티모달 정보 검색 및 요약 기술은 데이터의 폭발적 증가와 함께 그 중요성이 더욱 커지고 있습니다. 본 연구실은 다양한 형태의 데이터를 통합적으로 이해하고, 사용자의 요구에 맞는 맞춤형 정보 제공을 실현하는 차세대 인공지능 기술 개발에 앞장서고 있습니다.
1
Direct Feedback Learning with Local Alignment Support
Yang, H., Lee, S., Park, H.
IEEE Access, 2024
2
Freehal: A Framework for Editing Large Language Model Hallucinations
Lim, J., Shin, J., Lee, Y., Song, H. J.
Available at SSRN 4893610, 1970
3
EENet: embedding enhancement network for compositional image-text retrieval using generated text
Hur, C., Park, H.
Multimedia Tools and Applications, 2024
3
어떤 주제에 대한 빅데이터를 스마트 보고서로 요약하는 기술 개발
