저희 팀의 궁극적 연구 목표는 AI 모델의 학습에 대한 이해입니다. LLM과 같은 AI모델의 성능은 급격히 향상되고 있는데 이에 대한 이해는 따라가지 못하고 있습니다.
딥러닝 모델은 어디에 어떤 정보가 담겨 있는 걸까요?
이에 대한 이해는 경량화, continual learning, domain adaptation, AI safety 등 다양한 기술의 핵심이 됩니다.
인간이 만들었지만 인간이 제대로 이해하지 못한다는 참 아이러니한 상황이고 그만큼 아직 재밌게 연구할 내용이 많다는 뜻이기도 합니다.
저는 딥러닝 연구가 자연 과학에서 자연을 탐구하듯이 인간이 만들어낸 또 하나의 세상을 탐구하는 새로운 과학이 되어가고 있다고 생각합니다.
어쩌면 인류의 운명을 가를지 모를 새로운 프론티어의 탐험을 같이 하고자 모인 사람들이 저희 KDST입니다.
이러한 큰 목표 아래 최근에는 다음 주제들을 연구하고 있습니다.
- 딥러닝 관련
- 가속 및 경량화 기술 (pruning, knowledge distillation 등)
- 생성 모델 (GAN, network inversion, implicit neural representations, diffusion models 등)
- 딥러닝 학습 (data augmentation, data imbalance, fairness 등)
- 딥러닝 학습 확장 (continual learning, federated learning 등)
- Trustworthy AI (AI safety, adversarial attack/defense 등)
- 뇌 기반 인공지능 (Brain-inspired artificial intelligence: spiking neural network)
- 이상 감지 및 고장 예측 기술 (Anomaly detection and predictive maintenance)
- 시계열 데이터 분석 (Time series analysis)
조금 더 자세한 내용을 담은 pdf 파일 공유합니다.
https://drive.google.com/file/d/1dmz2yuTl5wPZmbCckhhQjpUjpoYi_-wR/view?usp=sharing
위 주제들 관련하여 관심을 갖고 연구를 진행해보고 싶은 학생분들은 언제든 gmail.com의 dr.suhyun.kim으로 연락주세요. (dr.suhyun.kim@gm... 이렇게 붙여서 메일 주시면 됩니다)
저희 랩의 학부연구생에 관심 있으시면 아래 링크로 신청해 주시면 저희가 연락드리도록 하겠습니다.
https://forms.gle/3ZGaFXjR8XCzTsQo6
또한 포닥분들이나 현장에서 겪는 실제 문제들을 같이 고민하고 해결해 나가길 원하는 회사들 모두 환영합니다.
딥러닝 연구실(KDST)의 특장점
- 탁월한 연구 성과
- 2025년에만 총 11편의 AI top conference 학회 논문 발표 (최근순으로 2 NeurIPS, 2 ICCV, 1 ACL, 2 ICML, 1 CVPR, 3 AAAI)
- ML, CV, NLP에서 가장 좋은 학회인 NeurIPS, CVPR, ACL에 모두 accept되는 등 폭넓은 분야에서 우수한 성과
- 2025 NeurIPS에 채택된 논문 2편 모두 합격률 3.19%의 spotlight로 선정되고, AI 분야 가장 좋은 SCIE 저널인 TPAMI에 게재하는 등 연구의 탁월성 입증 - 우수한 연구 환경
- 연구에 진심인 10명 이상의 분들이 활발하게 의견을 주고 받으며 열심히 연구하고 있고, 후배들을 잘 챙겨주는 선배님들
- A6000포함 GPU 약 60장을 갖춘 연구실 전용 GPU 서버들도 모두 세팅되어 있어서 신생랩의 세팅 어려움도 걱정할 필요 없음
- 중견과제, G-LAMP, BK21, ITRC 등 연구 중심의 양질의 과제를 수행하고 있어서 연구에 집중할 수 있는 안정적 펀딩 확보
- 서울대 실험실과 같이 매주 논문 세미나 진행 - 연구 주제: Efficient and Trustworthy AI
- 딥러닝 학습의 효율성과 신뢰도 확보를 위한 다양한 주제에 대해서 연구
- 딥러닝 코어를 연구하여서 다양한 응용으로 확장 및 진출 가능
- 다양한 듯 하지만 모두 딥러닝을 중심으로 밀접하게 관련되어 있어서 오히려 다양성에 의한 시너지 효과가 큼
- 아래 주제 이외에도 본인이 원하는 방향을 최대한 반영하여 연구 진행
- Data: Data Augmentation, Data Compression, Data Extraction
- Generative AI & Model: Model Architecture, Model Evaluation, Diffusion Model, LLM, Multimodal Model
- Training: Federated Learning, Continual Learning, Fairness, and so on
- Model Compression/On-device AI: Network Pruning, Knowledge Distillation, Quantization, Factorization
- AI Security/Safety: Jailbreak, Guardrail, Adversarial Attack/Defense, Explainable AI