RESEARCH
연구 분야
본 연구실은 딥러닝의 이론과 응용을 폭넓게 다룹니다. 아래는 현재 진행 중인 주요 연구 주제와 세부 프로젝트입니다.
그래프 신경망 (GNN)
그래프 구조 데이터에서 노드 간 직접적 연결을 넘어 삼각형·사면체 같은 고차 상호작용(higher-order interactions)까지 학습하는 새로운 GNN 프레임워크를 연구합니다. 학생 연구자들과 함께 다양한 응용 영역으로 확장 중입니다.
심플리셜 상호작용 기반 노드 분류
그래프의 노드 분류 문제에서 단순한 엣지 연결 외에도 삼각형, 사면체 등 고차 단체 복합체(simplicial complex) 구조를 학습에 통합하는 새로운 GNN 프레임워크를 제안합니다. 이를 통해 기존 메시지 전달(MPNN) GNN의 표현력 한계를 이론적·실험적으로 극복합니다.
Node classification in networks via simplicial interactions — IEEE Transactions on Neural Networks and Learning Systems, 2025
최대 클리크 증강을 통한 노드 분류
심플리셜 상호작용 모델을 확장하여, 그래프 내 최대 클리크(maximal clique)를 선별·증강하는 알고리즘을 통해 노드 표현 학습의 효율성과 정확도를 동시에 향상시키는 방법을 제안합니다.
Node classification via simplicial interaction with augmented maximal clique selection — Neurocomputing, 2025
GraphCast 기반 효율적 전지구 기상 예측
GraphCast의 멀티-메쉬(multi-mesh) 그래프 구조를 분석하고, 전지구 기상 예측의 계산 효율을 높일 수 있는 구조적 개선 방안을 탐색합니다. 정보 전파 경로와 계산 비용을 함께 고려해 지역 간 중요한 상호작용은 보존하면서 불필요한 계산을 줄이는 새로운 그래프 구조를 실험합니다. 예측 성능 손실을 최소화하면서 더 빠른 전지구 기상 예측 모델로 가는 경로를 제안합니다.
Analysis and Extension of Computationally Efficient Graph Structures for GraphCast-based Global Weather Forecasting (Hunsung Wi, MS)
ASGAT: 적응형 그래프 구조 학습
실제 그래프에는 유의미한 연결이 누락되거나 노이즈성 엣지가 포함되어 있어 메시지 전달의 효율성이 저하됩니다. ASGAT는 GATv2 백본 위에서 학습된 노드 임베딩 간 코사인 유사도를 활용해 잠재적으로 유익한 후보 엣지를 탐색하고, 통계적 프루닝(mean − λ·std) 기반의 필터링으로 그래프 구조를 반복적으로 정제합니다. 동질적·이질적 그래프 모두에서 노드 분류 성능을 향상시키는 것을 목표로 합니다.
ASGAT: Adaptive Structure Graph Attention for Iterative Graph Refinement (Munsu Byun, BS–MS Track)
금융 AI
딥러닝과 통계적 모델링을 결합하여 주식 변동성 예측, 암호화폐 가격 예측, 옵션 가격 결정 등 금융 시계열 문제에 새로운 접근법을 제시합니다. GARCH·LSTM·분포 변환 등 전통 계량경제학과 신경망의 시너지를 추구합니다.
LSTM 분해 기반 비트코인 가격 예측
암호화폐 가격 시계열의 비정상성(non-stationarity)을 다루기 위해, 시계열을 다중 구성요소로 분해한 뒤 각각을 LSTM 네트워크로 학습하고 통합 예측치를 생성하는 중앙화된 분해 접근법을 제안합니다.
Centralized decomposition approach in LSTM for Bitcoin price prediction — Expert Systems with Applications, 2024
GARCH–LSTM 하이브리드 변동성 모델
고전적 계량경제 모델인 GARCH와 LSTM 신경망을 결합하고, 분포 변형 전략을 도입하여 주식 시장의 변동성을 더 정확하게 예측합니다. 두 패러다임의 장점을 모두 활용하는 하이브리드 프레임워크입니다.
A hybrid prediction model integrating GARCH models with LSTM networks — IEEE Access, 2022 · Computational Economics, 2023
분포 변형 전략을 통한 가격 예측
가격 시계열의 분포가 가지는 비대칭성·꼬리 두께(heavy tail) 특성에 주목하여, 학습 단계에서 데이터 분포를 능동적으로 변형(stretch)함으로써 예측 정확도를 끌어올리는 새로운 전략을 제안했습니다.
Prediction of Bitcoin price based on manipulating distribution strategy — Applied Soft Computing, 2021
신뢰할 수 있는 옵션 가격 결정과 변동성 예측
딥러닝의 금융 응용에서 신뢰성과 해석가능성을 높이는 연구를 진행합니다. 이상 점수(anomaly score) 기반의 옵션 가격 결정 모델, 금융 변동성 예측에서 신경망의 내부 추론(logical reasoning) vs 패턴 학습(pattern fitting)을 해부하는 분석, 그리고 PINN을 활용한 변동성 곡면 보정(deep OTM smile 포함) 등을 다룹니다.
Reliable option pricing through DL · Logical Reasoning vs Pattern Fitting · Rough Volatility + PINN (Jihong Park, PhD)
물리 정보 신경망 (PINN)
물리 법칙(미분 방정식 등)을 신경망 학습에 직접 통합하여, 데이터만으로 학습하기 어려운 복잡한 물리 시스템을 해석 가능하고 신뢰할 수 있는 방식으로 모델링하는 연구를 진행합니다.
불연속 인지 PINN: 비선형 쌍곡형 PDE 해석
물리 정보 신경망(PINN)을 활용하여 쌍곡형 편미분방정식을 해석합니다. 특히 충격파(shock)와 같은 불연속 현상을 안정적으로 포착하고, 비선형 파동 문제에서 정확도와 강건성을 높일 수 있는 학습 기법과 신경망 구조를 탐구합니다. 충격파와 불연속 해를 보다 효과적으로 다룰 수 있는 PINN 기반 방법론 개발이 현재 핵심 주제입니다.
Learning Discontinuity-Aware PINNs for Nonlinear Hyperbolic PDEs (Ingyun Kang, BS–MS Track)
AI 응용 (Methods & Applications)
딥러닝 기법을 다양한 실세계 문제에 적용하는 연구를 폭넓게 진행합니다. 확률 분포 학습, 위성 데이터 기반 강수 추정, 추천 시스템 등 응용 영역과 방법론 양쪽을 모두 다룹니다.
회귀 모델의 확률 분포 변형
신경망 기반 회귀 모델이 일반적으로 정규분포 가정에 갇혀 있는 한계를 극복하기 위해, 학습 단계에서 출력 분포를 능동적으로 변형(stretching)하는 경험적 전략을 제시합니다. 꼬리 영역의 예측 정확도 개선에 효과적입니다.
Empirical strategy for stretching probability distribution in neural-network-based regression — Neural Networks, 2021
다중 작업 학습 기반 위성 강수 추정
수동 마이크로파 위성 관측에서 강수량 추정과 강수/무강수 분류를 동시에 수행하는 다중 작업 학습(multi-task learning) 모델을 제안합니다. 두 작업 간 정보 공유를 통해 양쪽 모두의 정확도를 향상시킵니다.
Multi-task learning for simultaneous retrievals of passive microwave precipitation estimates and rain/no-rain classification — Geophysical Research Letters, 2023
Directed Cycle 기반 암호화폐 자금세탁 탐지
암호화폐 거래 네트워크에서 믹서·텀블러를 통한 자금 세탁 패턴(A → B → C → A 같은 방향성 순환)을 탐지하는 GNN 기반 모델을 연구합니다. 기존 GNN이 노드 간 1:1 관계만 학습해 다자 순환 구조를 포착하지 못하는 한계를 극복하기 위해, 방향성 있는 짧은 사이클을 탐지하여 노드 표현에 반영하는 모델을 제안합니다. 이론적으로는 사이클을 위상수학의 1차 호몰로지(H₁)에 대응시키고, 방향성 단체 복합체 위에서 동작하는 GNN으로의 확장을 탐색합니다.
Learning Directed Cycles for Illicit Transaction Detection in Crypto Networks (Hyungjun Lee, MS)