이 연구실은 복잡한 관계형 데이터를 효과적으로 분석하기 위해 그래프 기반 머신러닝과 표현 학습 기술을 핵심 축으로 연구한다. 소셜 네트워크, 사용자-아이템 상호작용, 교통망, 산업 데이터와 같이 객체 간 연결 구조가 중요한 문제에서 단순한 벡터 기반 접근만으로는 포착하기 어려운 구조적 의미를 그래프 형태로 모델링하고, 이를 학습 가능한 표현으로 변환하는 방법을 다룬다. 특히 대규모 그래프에서 노드, 링크, 하위구조의 의미를 정교하게 추출하는 표현 학습은 연구실의 주요 기반 기술로 볼 수 있다. 구체적으로는 그래프 신경망, 네트워크 임베딩, 링크 임베딩, 그래프 샘플링, 커뮤니티 탐지, 이종 그래프 학습과 같은 세부 주제를 폭넓게 연구한다. 대표 논문인 SiReN은 긍정·부정 상호작용을 모두 반영하는 부호 인지형 그래프 추천 프레임워크를 제시했고, LinkBlackHole 연구는 중첩되면서도 경계가 불분명한 커뮤니티를 강건하게 탐지하는 알고리즘을 제안했다. 또한 대용량 그래프 희소 요약 특허는 방대한 네트워크를 더 간결하면서도 유용하게 압축하는 방향을 보여주며, 이 연구실이 이론적 알고리즘 설계와 실제 시스템 구현을 함께 추구하고 있음을 시사한다. 이러한 연구는 단순히 그래프를 분석하는 데 그치지 않고, 다양한 산업·사회 문제를 이해하고 예측하는 범용 기술로 확장된다. 예를 들어 네트워크 내 영향력 구조 파악, 연결 관계 기반 이상 탐지, 복잡계의 집단 패턴 이해, 희소하거나 잡음이 많은 관계 데이터의 복원 등에 응용될 수 있다. 앞으로도 이 연구 주제는 설명가능성, 확장성, 신뢰성, 전이 가능성을 함께 고려하는 방향으로 발전하며, 대규모 실세계 데이터에서 작동하는 차세대 그래프 인공지능 기술의 기반이 될 가능성이 크다.

이 연구실의 또 다른 중심 분야는 추천 시스템이다. 특히 단순히 정확도만 높은 추천이 아니라, 왜 특정 항목이 추천되었는지를 해석할 수 있고 서로 다른 도메인과 데이터 구조에서도 잘 동작하는 설명 가능한 추천 시스템 개발에 초점을 둔다. 사용자의 클릭, 구매, 평점, 부정적 반응까지 포함한 다양한 상호작용을 분석하여 개별 사용자의 선호를 더 정교하게 이해하고, 추천 결과의 투명성과 신뢰성을 높이는 것이 핵심 목표이다. 연구실의 프로젝트와 논문을 보면 이종 그래프 전이학습, 그래프 신경망, 순차 추천, 부호 그래프 기반 선호 모델링 등 고도화된 기술을 활용하고 있음을 알 수 있다. 사용자, 아이템, 속성, 맥락 정보를 하나의 이종 그래프로 통합하고, 도메인 간 지식을 옮길 수 있는 전이학습 기법을 적용함으로써 데이터가 부족한 환경에서도 강건한 추천 성능을 확보하려는 방향이 뚜렷하다. 또한 SiReN 연구처럼 낮은 평점이나 부정 피드백도 중요한 정보로 적극 활용하여 기존 추천 모델의 한계를 보완하고, 주의집중 메커니즘과 순위 학습 손실 함수를 결합해 실제 추천 정확도를 끌어올리는 접근을 수행한다. 이러한 연구는 전자상거래, 콘텐츠 서비스, 위치기반 추천, 공공 서비스 개인화 등 다양한 분야에 직접 연결될 수 있다. 특히 설명가능성은 사용자의 수용성을 높이고, 서비스 제공자에게는 모델 개선의 단서를 제공하며, 규제와 책임성이 요구되는 환경에서도 중요한 요소가 된다. 향후 이 연구는 개인화와 공정성, 도메인 적응, 장기 선호 변화 반영, 대규모 서비스 적용을 포괄하는 방향으로 발전할 가능성이 높으며, 실용성과 학문적 기여를 동시에 갖춘 핵심 연구 영역으로 자리 잡고 있다.

이 연구실은 순수 알고리즘 연구를 넘어 실제 현장에서 발생하는 다양한 데이터 문제를 해결하는 응용형 인공지능 연구도 활발히 수행한다. 산업 윤활유 데이터의 결측치 보정, 교통 예측, 해양 항로표지 정보 분석, 이상 탐지, 스마트 인프라 보안, 법률 문서 예측, 영상 및 시계열 데이터 처리 등 매우 폭넓은 응용 주제가 확인된다. 이는 연구실이 특정 데이터 형식에 제한되지 않고, 그래프·시계열·텍스트·멀티모달 데이터 전반을 다룰 수 있는 문제 해결형 연구 역량을 갖추고 있음을 보여준다. 대표적으로 산업 데이터에서의 결측치 대체 연구는 단순 통계 보간이 아니라 그래프 구조를 활용해 변수 간 관계를 반영하는 정교한 복원 방법을 제시했다. 교통 분야에서는 그래프 딥러닝 기반 예측을 위해 데이터 품질 개선과 결측치 대체 성능 비교를 수행했고, 변압기나 정수장, 항로표지와 같은 스마트 인프라 맥락에서는 이상 탐지와 고장 진단, 의사결정 지원 기술 개발로 이어지고 있다. 또한 연합학습, 차등 프라이버시, 클래스 불균형 해소, 시계열 기반 비지도 이상 탐지 등은 실제 배포 가능한 AI 시스템에서 중요하게 요구되는 신뢰성·보안성·강건성을 함께 고려하는 연구 방향이다. 이러한 응용 연구의 강점은 최신 인공지능 방법론을 현장 문제에 맞게 변형하고 통합하는 데 있다. 실세계 데이터는 결측, 잡음, 불균형, 비정형성, 도메인 의존성 등의 어려움을 가지므로, 이 연구실은 데이터 전처리부터 모델 설계, 예측, 설명, 운영 지원까지 전 주기를 포괄하는 접근을 취한다. 앞으로도 스마트시티, 산업 AI, 해양 정보화, 공공 데이터 분석, 보안 및 감시 시스템 등으로 연구 범위가 더욱 확장될 수 있으며, 학술적 성과와 사회적 파급력을 동시에 만들어내는 응용 AI 연구실로 발전할 가능성이 높다.