프로젝트 소개
본 과제는 학습할 때 사용한 데이터와 실제 적용되는 데이터의 분포가 달라져도 안정적으로 작동하는 신뢰가능한 AI 모형을 개발하는 연구임. 기존 AI는 데이터의 상관관계에 의존하기 때문에 환경이나 상황이 바뀌면 성능이 크게 떨어질 수 있으며, 이를 인과추론과 분포강건학습으로 개선하는 내용임.
연구 목표는 인과추론을 도입하여 데이터 분포의 이질성에 강건한 AI를 개발하고, 데이터와 모형의 강건성을 진단하는 도구 및 이미지·텍스트 응용모형을 구축하는 데 있음. 핵심 연구 내용은 Distributionally Robust Optimization과 Invariant Risk Minimization을 활용한 인과 기반 학습방법론 개발, Confounding 및 Sample selection bias의 영향 완화, 분포 이질성과 모형 강건성을 측정하는 통계량·진단 절차 연구임. 또한 이미지 객체인식과 텍스트 학습에 인과구조를 적용한 분포강건학습 알고리즘 개발을 포함함. 기대 효과는 금융·의학 등 데이터 변화로 큰 손실이 발생할 수 있는 분야에서 신뢰성과 설명가능성을 갖춘 AI의 활용 확대, 사전학습 모형 배포를 통한 산업 발전, 독립적으로 활용 가능한 강건성 진단 프레임워크 제공임.