황혜수 연구실은 그래프 신경망(GNN)과 비지도 그래프 표현 학습 분야에서 선도적인 연구를 수행하고 있습니다. 최근 발표된 논문에서는 간선 판별기와 탈결합 인코더를 활용하여 그래프의 과평탄화 문제를 해결하는 새로운 비지도 학습 모델(UED)을 제안하였습니다. 이 모델은 이질적인 이웃 정점의 병합과 그래프 합성곱에서의 전파와 특징 변환의 결합으로 인한 정보 손실을 효과적으로 완화합니다. 또한, 연구실에서는 추천 시스템에 적용 가능한 그래프 신경망 기반의 협업 필터링 모델도 개발하고 있습니다. 예를 들어, Inductive Embedded Graph Trend Filtering Networks(IGTN)는 이질 간선과 신규 간선이 추가되는 동적 환경에서도 모델의 재학습 없이 높은 추천 성능을 유지할 수 있도록 설계되었습니다. 이러한 연구는 실제 대규모 추천 시스템이나 소셜 네트워크 분석 등 다양한 응용 분야에 적용될 수 있습니다. 그래프 신경망의 구조적 특성과 데이터의 이질성을 고려한 새로운 학습 방법론 개발을 통해, 황혜수 연구실은 그래프 기반 데이터 분석의 정확도와 효율성을 동시에 향상시키고 있습니다. 앞으로도 그래프 딥러닝의 이론적 발전과 실용적 응용을 위한 다양한 연구를 지속할 예정입니다.

황혜수 연구실은 빅데이터 환경에서의 효율적인 데이터 분석과 k-최근접 이웃(k-NN) 그래프 생성 알고리즘 개발에 주력하고 있습니다. 기존의 k-NN 그래프 생성 방법들은 데이터의 차원이나 정점 수가 증가할수록 성능이 저하되는 한계가 있었습니다. 이에 연구실에서는 Balanced Canopy Clustering을 기반으로 한 새로운 k-NN 그래프 생성 알고리즘을 제안하여, 다양한 유사도 척도에 적용 가능하면서도 높은 정확도와 빠른 처리 속도를 동시에 달성하였습니다. 이 알고리즘은 정보 검색, 추천 시스템, 데이터 마이닝 등 다양한 분야에서 대규모 데이터의 유사도 기반 탐색 및 분석에 활용될 수 있습니다. 특히, 정점이나 차원의 수가 매우 많은 실제 데이터셋에서도 기존 방법 대비 5배 이상의 속도 향상과 약 92%의 정확도를 유지하는 성과를 보였습니다. 이러한 기술은 빅데이터 시대에 필수적인 대용량 데이터 처리 및 실시간 분석에 큰 기여를 하고 있습니다. 연구실은 앞으로도 빅데이터의 다양한 특성을 반영한 효율적 데이터 구조와 알고리즘 개발을 통해, 데이터 기반 지식 발굴 및 인공지능 응용 분야의 혁신을 선도할 계획입니다.

황혜수 연구실은 고차원 데이터의 효율적인 샘플링 및 시계열 데이터 분석에도 깊은 관심을 가지고 연구를 진행하고 있습니다. 고차원 데이터는 문서, 이미지, 센서 데이터 등 다양한 형태로 존재하며, 이들 간의 유사도 측정과 차원 축소는 데이터 마이닝과 머신러닝에서 매우 중요한 과제입니다. 연구실에서는 Improved Consistent Weighted Sampling(ICWS) 기반의 새로운 샘플링 기법(ICWS_B, ICWS_D)을 개발하여, 샘플링 시간을 획기적으로 단축하면서도 기존 방법 수준의 샘플 품질을 유지하는 데 성공하였습니다. 또한, 시계열 데이터의 견고한 표현과 분류 정확도 향상을 위한 그리드 셀 가중치 학습 방법도 제안하였습니다. 이 방법은 시계열 데이터의 긍정셀과 부정셀을 효과적으로 구분하고, 다중 그리드를 활용하여 데이터의 특성을 잘 반영하는 표현형을 생성합니다. 다양한 시계열 데이터셋을 활용한 실험을 통해, 제안된 방법이 분류 정확도를 실제로 개선하는 데 효과적임을 입증하였습니다. 이러한 연구는 대규모 센서 데이터, 금융 데이터, 의료 데이터 등 다양한 고차원 및 시계열 데이터의 실시간 분석과 예측에 활용될 수 있으며, 데이터 기반 의사결정의 정확성과 신뢰성을 높이는 데 중요한 역할을 하고 있습니다.