이 연구 주제는 적대적 공격, 데이터 분포 변화, 프라이버시 침해와 같은 실제 환경의 위험 요소로부터 인공지능 시스템을 보호하는 데 초점을 둔다. 연구실은 딥러닝 모델이 높은 예측 성능을 보이더라도 외부 교란이나 악의적 입력에 취약할 수 있다는 점에 주목하며, 안전성과 신뢰성을 함께 만족하는 학습 방법을 설계한다. 특히 최근 수행 중인 프로젝트들에서 안전한 인공지능 시스템 구현, 신뢰 보장 기술, 개인정보 보호를 핵심 목표로 설정하고 있어 연구실의 대표 방향으로 볼 수 있다. 방법론 측면에서는 적대적 예제 방어, 확률화된 신경망의 강건성 향상, 그래디언트 다양성 정규화, 차분 프라이버시 기반 학습, 도메인 적응, 매니폴드 기반 노이즈 처리 등을 폭넓게 다룬다. 대표 논문인 GradDiv 연구는 무작위화 신경망에서 손실 그래디언트의 방향 분산을 높여 프록시 그래디언트 공격에 대한 강건성을 향상시키는 방법을 제안하였다. 또한 최근 학술 발표와 과제에서는 차분 프라이버시 분류, 공공 데이터 합성, 멤버십 추론 공격 방어 등 보안과 프라이버시를 결합한 연구 흐름도 뚜렷하게 나타난다. 이 연구의 의의는 단순히 공격을 막는 수준을 넘어, 실제 산업과 공공 분야에서 안심하고 사용할 수 있는 AI를 만드는 데 있다. 의료, 금융, 검색, 추천, 비전 시스템처럼 민감한 데이터를 다루는 응용에서는 강건성과 프라이버시 보호가 필수적이며, 연구실은 이를 수학적 원리와 실증 실험을 함께 결합해 발전시키고 있다. 앞으로도 설명가능성, 공정성, 보안성을 함께 고려하는 통합적 신뢰 AI 프레임워크로 확장될 가능성이 크다.

연구실의 또 다른 핵심 축은 통계학습, 데이터마이닝, 군집화, 차원축소와 같은 기계학습의 기초 이론과 알고리즘 개발이다. 교수의 대표 연구 키워드에 통계학습과 데이터마이닝이 직접 포함되어 있으며, 오랜 기간 축적된 논문과 특허에서도 이러한 정체성이 선명하게 드러난다. 연구실은 복잡한 고차원 데이터에서 구조를 찾고, 잡음을 줄이며, 일반화 성능이 높은 예측 모형을 만드는 문제를 지속적으로 다루어 왔다. 구체적으로는 서포트 벡터 클러스터링, 관련도 벡터 머신, 반지도학습, 매니폴드 학습, 비선형 동적 사영, 공정 분포 추정 기반 군집화 등 구조적 데이터 해석 기법이 강점이다. PAMI에 게재된 support vector clustering 연구는 군집 구조의 위상적·동역학적 특성을 분석하여 보다 강건하고 귀납적인 클러스터링을 가능하게 했고, 또 다른 PAMI 논문에서는 잡음이 많은 고차원 데이터에 대해 분산된 매니폴드를 복원하는 비선형 동적 사영 기법을 제안했다. 관련 특허들 또한 보로노이 셀 기반 클러스터링, 공정 군집화, 관련도 벡터 머신 기반 학습 등 이론 연구를 실제 구현 기술로 연결하고 있다. 이러한 연구는 다양한 산업 데이터 문제에 직접 응용될 수 있다는 점에서 가치가 크다. 고객 이탈 예측, 정보 검색, 문서 임베딩, 시계열 분석, 산업 공정 분석, 의료 데이터 해석 등 여러 도메인에서 데이터의 잠재 구조를 정확히 포착하는 것이 성능 향상의 핵심이기 때문이다. 연구실은 수학 기반 모델링과 현대 기계학습을 결합하여, 해석 가능하면서도 실제 적용성이 높은 데이터 분석 방법론을 확장해 나가고 있다.

연구실은 고성능 예측을 넘어서 결과를 이해하고 의사결정에 활용할 수 있는 설명가능 인공지능에도 큰 비중을 두고 있다. 대형 국가 과제로 수행 중인 플러그앤플레이 방식의 설명가능 AI 연구는 기존 모델을 재학습하지 않고도 설명 기능을 결합할 수 있는 범용 플랫폼 개발을 목표로 한다. 이는 실제 현장에서는 다양한 구조의 모델이 이미 운영되고 있다는 점을 고려한 접근으로, 연구의 실용성과 확장성을 잘 보여준다. 설명가능성 연구는 금융공학 및 산업 데이터 응용과 밀접하게 연결된다. 연구실은 오랜 기간 옵션 가격결정, 신용위험 예측, 자산 변동성 분석, 블랙-리터만 포트폴리오, 암호화폐 시장 분석, 감성 기반 금융 예측 등을 수행해 왔다. 최근에는 기업 신용등급 예측의 투명성 향상, 시장 적응형 메모리 LLM, 시계열 예측, tail risk 추정 등으로 주제가 확장되고 있으며, 2025년 GWP 예측 논문에서는 KAN 기반 화이트박스 모델을 활용해 정확도와 해석 가능성의 균형을 추구했다. 이 연구 방향은 현업 의사결정 지원에 특히 중요하다. 금융, 환경, 산업 운영처럼 규제와 책임성이 강한 분야에서는 왜 그런 예측이 나왔는지 설명할 수 있어야 하며, 모델의 직관성과 검증 가능성이 필수적이다. 연구실은 수학적 모델링, 머신러닝, 설명 기법, 도메인 지식을 결합하여 사용자가 신뢰할 수 있는 AI 기반 의사결정 도구를 개발하고 있으며, 이는 산업공학적 문제 해결과 AI 기술의 사회적 수용성을 동시에 높이는 기반이 된다.