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.

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.

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.

데이터가 제한적인 환경에서 높은 성능을 발휘하는 딥러닝 모델 개발은 인공지능 연구의 중요한 과제입니다. 본 연구실은 Few-shot learning, 즉 소량의 학습 데이터만으로도 효과적으로 분류 및 인식이 가능한 신경망 모델을 연구하고 있습니다. Class factor analysis와 같은 통계적 기법을 결합하여, 환경 요인을 제거하고 클래스 요인만을 강조하는 특성 추출 방법을 개발함으로써, 기존의 한계를 극복하고 있습니다. 이러한 연구는 의료 영상, 희귀 질환 진단, 특수 환경에서의 객체 인식 등 실제 데이터 수집이 어려운 다양한 분야에 적용될 수 있습니다. 또한, 메타러닝(meta-learning)과 확률적 유사도 측정 등 최신 이론을 접목하여, 빠른 학습과 경량화된 모델 구현을 동시에 달성하고 있습니다. Few-shot 학습과 패턴 인식 분야에서의 혁신은 인공지능의 적용 범위를 크게 확장시키고, 데이터 부족 문제를 해결하는 데 중요한 역할을 합니다. 본 연구실은 앞으로도 소량 데이터 환경에서의 딥러닝 기술 고도화와 실용적 응용을 위한 연구를 지속적으로 추진할 계획입니다.