-
-
- [일반] 성균관대학교, 육군 제51보병사단과 국방 AI 대전환 이끌 인재 양성 나선다
- 성균관대학교, 육군 제51보병사단과 국방 AI 대전환 이끌 인재 양성 나선다 - 피지컬 AI 및 딥페이크 특강 진행… 국방 현장에서 바로 쓰는 실무 교육 제공 - 미래 과학기술강군 육성을 위해 성균관대 AI중심대학사업단-육군 51사단 맞손 □ 성균관대학교(총장 유지범) 이은석 소프트웨어융합대학장(겸 AI중심대학사업단장)은 지난 10일, 경기 화성시에 위치한 육군 제51보병사단(전승부대) 장교 및 관계자들을 대상으로 AI 디지털 신기술 특강과 피지컬 AI 견학 프로그램을 성공적으로 개최했다고 밝혔다. 이번 행사는 군 장병들의 인공지능(AI) 역량을 강화하고, 국방 현장에서 즉각적으로 활용할 수 있는 실무형 인재를 기르기 위해 마련되었다. □ 성균관대 자연과학캠퍼스 삼성학술정보관에 위치한 '솦ː콤'에서 진행된 이날 프로그램에는 육군 제51보병사단 장교 26명을 비롯해 한국IT서비스산업협회(ITSA), 성균관대 AI중심대학사업단 및 정보통신팀 등 총 50여 명의 관계자가 참석했다. 행사는 환영사를 시작으로 성균관대의 AI 교육지원 프로그램 소개, 최고급 신진 연구자들이 참여하는 ‘AI 스타 펠로우십’ 특강, 그리고 첨단 교육 공간인 '솦ː콤'과 슈퍼컴퓨팅센터(S-Center) 체험 순으로 이어졌다. □ 이날 특강에서는 청소년과 일반인도 쉽게 이해할 수 있는 최신 AI 기술들이 소개되어 큰 호응을 얻었다. 우홍욱 교수는 현실 세계와 인공지능이 결합하는 '피지컬 AI' 기술을 설명하였으며, 우사이먼 교수는 최근 사회적 화두인 '딥페이크' 기술의 원리와 국방 안보 차원에서의 대응 방안을 다루어 군 관계자들의 눈길을 끌었다. □ 이은석 성균관대 소프트웨어융합대학장은 환영사를 통해 “전승부대 51사단 장병들이 미래 과학기술강군을 선도할 전문 인력이자 디지털 산업의 핵심 인재로 성장하기를 기대한다”며 “성균관대학교는 AI중심대학사업을 기반으로 국방부, 정보통신기획평가원(IITP), 한국IT서비스산업협회와 긴밀히 협력해 국방 디지털 인재 양성에 지속적으로 기여하겠다”고 밝혔다. □ 이어 이 학장은 “오늘날 전쟁은 정보를 얼마나 신속하게 수집하고 분석하느냐에 따라 승패가 갈리는 만큼, AI와 데이터 기술을 활용한 ‘국방 AX(AI 대전환)’로의 변화가 매우 빠르다”고 강조했다. 또한 “단순히 컴퓨터 프로그램이나 생성형 AI를 다루는 수준을 넘어, 실제 군 정보화 시스템을 깊이 이해하고 현장에서 무기 및 행정에 적용할 수 있는 실무 인재를 키워내기 위해 지원을 아끼지 않겠다”고 덧붙였다. □ 현재 성균관대학교 AI중심대학사업단은 과학기술정보통신부와 정보통신기획평가원의 지원 속에서 육군 제51사단 내에 설치된 'AI 교육·연구센터'를 활용하고 있다. 대학 측은 스마트 국방혁신 흐름에 발맞추어 장병 대상 AI 교육, 학습 지원, 팀 프로젝트 및 동아리 활동 지원 등 다채로운 성과확산 프로그램을 단계적으로 확장해 나갈 계획이다. ▲2026년 육군 제 51사단 군-학 연계 AI 프로그램 단체 사진 ▲성균관대 슈퍼컴퓨팅센터 현장 견학 사진
-
- 작성일 2026-07-15
- 조회수 821
-
- [교수동정] 성균관대 연구진, 대학생 인터넷 게임장애 해결할 ‘마음챙김 인지치료’ 효과 세계 최초 입증
- ▲ (왼쪽부터) 성균관대 윤성민 교수, 김민아 교수, 오하영 교수, 박예휘 박사과정 학생 본교 윤성민 교수 연구팀이 대학생들의 인터넷 게임 인터넷 게임장애를 해결하기 위한 ‘마음챙김 기반 인지치료(MBCT-G)’ 프로그램을 개발하고, 이에 대한 치유 효과를 세계 최초로 입증했다. 이번 연구는 최근 젊은 층 사이에서 심각한 사회적 문제로 떠오른 게임장애를 심리적 개입방법을 통해 완화할 수 있도록 돕는 새로운 치료적 대안을 제시했다는 점에서 전 세계 학계의 큰 주목을 받고 있다. 인터넷 게임 장애는 일상생활에 심각한 지장을 줄 정도로 게임에 과도하게 몰입하는 상태를 말한다. 특히 부모의 감시에서 벗어나 독립적인 생활을 시작하는 대학생 시기에 학업이나 진로 스트레스를 해소하기 위해 게임에 빠져드는 경우가 많다. 윤성민 교수 연구팀은 이러한 문제를 해결하기 위해 기존의 우울증 치료에 활용되던 ‘마음챙김 인지치료’를 게임장애 특성에 맞추어 새롭게 수정·보완하였다. 이 프로그램은 대학생들이 게임을 하고 싶은 강한 충동이 일어날 때, 자신의 감정과 생각을 객관적으로 바라보며 차분하게 마음을 가라앉히는 마음챙김 명상 훈련과 생각의 틀을 바꾸는 인지치료로 구성되어 있다. 연구팀은 게임장애 위험이 높은 대학생 46명을 대상으로 실험을 진행하였다. 프로그램에 참여한 학생들은 8주 동안 매주 명상과 함께 게임 외에 일상에서 즐거움을 찾을 수 있는 신체 활동 등의 대안 활동 계획을 세우고 실천했다. 그 결과, 프로그램을 마친 학생들은 게임 중독 증상이 매우 큰 폭으로 줄어들었으며, 스트레스와 불안감 또한 함께 감소한 것으로 나타났다. 무엇보다 가장 중요한 성과는 학생들이 게임 유혹을 스스로 이겨낼 수 있는 ‘자기통제력’이 눈에 띄게 좋아졌다는 점이다. 이 효과는 프로그램이 끝난 후 한 달이 지난 뒤에도 유지되어 치료의 지속성까지 증명되었다. 성균관대 윤성민 교수는 “이번 연구는 대학생이나 청소년들이 학업 스트레스로 인해 충동적으로 게임에 몰두하는 악순환을 스스로 끊어낼 수 있도록 돕는 근거기반 심리개입 방법이 될 수 있을 것”이라며 “학교 상담센터 등에 이 프로그램을 널리 보급한다면 청소년과 대학생들의 정신 건강과 올바른 일상 회복에 큰 도움이 될 것으로 기대한다”고 연구의 의의를 밝혔다. 한편, 이번 연구는 문화체육관광부와 한국콘텐츠진흥원의 게임 기반 디지털 치료제 기술 개발 연구비 지원을 받아 수행되었다. ▲ 본 연구 관련 협약 체결 (왼쪽부터) 옥스퍼드 대학교 윌렘 카이큰(Willem Kuyken) 수, 윤성민 교수, 오하영 교수 ※ 논문명: A Pilot Study of a Mindfulness-Based Cognitive Therapy for Internet Gaming Disorder Among College-Aged Students in South Korea ※ 학술지: Mindfulness ※ 논문링크: https://doi.org/10.1007/s12671-026-02855-1 출처 : 에스프레스(S-PRESS)(https://www.spressnews.com)
-
- 작성일 2026-07-14
- 조회수 767
-
- [교수동정] 홍성은 교수 연구팀, AI 모델들의 시너지 극대화하는 'SyMerge' 기술 개발... "핵심 레이어 하나만 바꾸면 끝"
- -인공지능 결합 시 고질적 문제였던 '서로 방해하는 현상' 해결 -이미지 인식부터 자연어 처리까지 세계 최고 수준 성능 달성하며 학계 주목 본교 소프트웨어융합대학의 홍성은 교수 연구팀이 네이버 AI Lab과의 공동 연구를 통해 독립적으로 학습된 여러 인공지능(AI) 모델들을 하나로 합칠 때 서로 능력을 주고받으며 성능을 끌어올리는 혁신적인 결합 프레임워크 ‘SyMerge(시머지)’ 기술을 개발했다. ▲ (왼쪽부터) 홍성은 교수, 정애천, 이승환 연구원, 네이버 AI Lab 한동윤 박사 기존의 인공지능 모델 결합 기술은 여러 가지 작업을 동시에 수행하는 인공지능을 만들 때 기술적인 한계에 부딪혔다. 서로 다른 지식을 가진 모델들을 무작정 합치면 지식들이 충돌하여 오히려 원래보다 성능이 크게 떨어지는 ‘작업 간 간섭(Task Interference)’ 현상이 발생했기 때문이다. 지금까지 학계에서는 이 충돌을 줄이고 방해하지 않도록 하는 데만 집중해 왔다. 본교 연구팀은 관점을 완전히 바꿔 단순히 방해를 피하는 것을 넘어, 모델들이 서로 적극적으로 도움을 주는 ‘시너지 효과’에 주목했다. 연구팀은 AI 모델 내부의 수많은 계층(레이어) 중 단 한 개의 특정 레이어(Task-specific layer)만을 똑똑하게 조율하고 결합 비율을 최적화하면 모델 간의 호환성이 극대화된다는 사실을 최초로 밝혀냈다. 특히 이번에 개발된 ‘SyMerge’ 기술은 정답지가 없는 새로운 데이터를 만났을 때도 모델 스스로 전문가 역할을 하는 기존 모델들의 예측 능력을 참고해 학습하는 ‘전문가 가이드 셀프 라벨링’ 방식을 도입했다. 이를 통해 데이터가 오염되거나 변형된 악조건 속에서도 인공지능이 길을 잃지 않고 안정적으로 높은 성능을 유지할 수 있도록 만들었다. 나아가 그동안의 결합 기술들이 완전히 같은 사전학습된 모델(pre-trained model)에서 태어난 인공지능에만 적용 가능했던 것과 달리, 사전학습모델이 전혀 달라 합치기 불가능하다고 여겨졌던 모델들까지 성공적으로 융합해 내는 놀라운 성과를 거두었다. 연구팀의 실험 결과, ‘SyMerge’ 기술은 이미지 분류, 컴퓨터 비전 기반의 영상 정밀 분석(Dense Prediction), 그리고 인간의 언어를 이해하는 자연어 처리(NLP) 등 인공지능 핵심 3대 분야 전반에서 세계 최고 수준(State-of-the-Art)의 성능을 기록하며 기술의 범용성과 압도적인 우수성을 입증했다. 홍성은 교수는 “이번 연구는 인공지능 모델 결합의 목표를 ‘충돌 방지’에서 ‘상호 시너지 창출’로 패러다임을 바꾼 중요한 이정표”라며 “막대한 비용이 드는 AI 재학습 과정을 획기적으로 줄여, 향후 가벼우면서도 다재다능한 멀티태스킹 AI를 효율적으로 구축하는 데 큰 기여를 할 것”이라고 연구의 의의를 밝혔다. 이번 연구 성과는 세계 최고 권위의 인공지능 및 머신러닝 국제학술대회인 ‘국제 머신러닝 학회(ICML, International Conference on Machine Learning) 2026’에 채택 및 발표되어 전 세계 연구자들의 뜨거운 관심을 받고 있다. ※ 논문명: SyMerge: From Non-Interference to Synergistic Merging via Single-Layer Adaptation ※ 학술지: Proceedings of the 43rd International Conference on Machine Learning (ICML 2026) ※ 논문링크: https://aim-skku.github.io/SyMerge ▲ 홍성은 교수 연구팀이 개발한 AI 모델 결합 기술(SyMerge)의 원리 및 효과(왼쪽) AI 지식 결합 및 호환성 측정 과정, (오른쪽) 핵심 레이어 하나만 바꾼 효과 출처 : 에스프레스(S-PRESS)(https://www.spressnews.com)
-
- 작성일 2026-07-14
- 조회수 840
-
- [연구] 우홍욱 교수 연구실(CSI연구실), IROS 2026 과 ECCV 2026 논문 게재 승인
- CSI연구실(지도교수: 우홍욱,https://csiagentgroup.com)의 논문이 로봇공학 분야 우수학회인 IROS 2026 (IEEE/RSJ International Conference on Intelligent Robots and Systems)과 인공지능 분야 우수학회인 ECCV 2026 (The 19th European Conference on Computer Vision)에 게재 승인(Accept) 되었습니다. IROS 논문은 26년 9월 미국 펜실베이니아주 피츠버그의 David L. Lawrence Convention Center에서 발표될 예정이며, ECCV 논문은 26년 9월 스웨덴 말뫼의 Malmö Arena와 Malmömässan에서 발표될 예정입니다. 1. [IROS] 논문 “ROBOBRIDGE: A Modular Framework for Bridging Policies to Robust Real-World Robotic Agents”는 소프트웨어학과 윤시형(석박통합과정), 유민종(삼성리서치, 박사), 안상현(석사과정) 연구원이 저자로 참여했습니다. 본 연구에서는 Vision-Language-Action(VLA) 모델과 같은 행동 생성 정책을 실제 로봇 환경에서 강건한 에이전트로 확장하는 ROBOBRIDGE 프레임워크를 제안합니다. 기존 VLA 모델은 행동 예측에는 효과적이지만 실패 복구, 장기 작업 수행, 관측·작업·로봇 변화에 대한 강건성 측면에서 한계를 가지고 있습니다. ROBOBRIDGE는 정책 모델을 재학습하지 않고 외부 orchestration 계층으로 감싸 이러한 한계를 보완합니다. ROBOBRIDGE는 Monitor, Perceptor, Planner, Controller, Robot Interface의 다섯 개 모듈로 이루어져 있습니다. Perceptor는 관찰을 객체 중심 상태로 변환하고, Planner는 현재 장면과 언어 지시를 바탕으로 primitive plan을 생성합니다. Controller는 VLA, IK solver, scripted policy 등 실제 동작을 생성하는 정책이 들어가는 부분이며, Robot Interface는 Franka Research 3, UR7e와 같은 서로 다른 로봇 플랫폼의 API와 좌표계를 추상화합니다. Monitor는 실행 결과를 확인하고 retry, regenerate, replan, re-perceive 등 계층적 복구 전략을 선택합니다. 핵심적으로 ROBOBRIDGE는 실패 복구를 위한 two-phase monitoring과 장기 작업 수행을 위한 reactive planning with asynchronous perception을 결합합니다. 실패가 감지되면 원인을 진단해 필요한 복구 단계를 선택하고, 환경이 바뀌면 최신 객체 상태를 반영해 이후 primitive를 다시 생성합니다. VLA를 Controller로 사용할 때에는 primitive skill별 LoRA adapter를 적용하는 primitive skill fine-tuning을 통해 domain shift에 대한 민감도를 완화합니다. LIBERO 및 RoboCasa 시뮬레이션 환경과 실제 Franka Research 3, UR7e 로봇 플랫폼에서의 실험 결과, ROBOBRIDGE는 standalone VLA 및 기존 augmented VLA deployment 대비 일관된 성능 향상을 보였습니다. 이러한 결과는 안정적인 로봇 에이전트가 단순한 action predictor가 아니라 perception, planning, monitoring, recovery가 결합된 실행 구조를 통해 구현될 수 있음을 보여 줍니다. 2. [ECCV]논문 “Multi-scale Mixture of World Models for Embodied Agents in Evolving Environments”은 소프트웨어학과 장진우(석박통합과정), 윤시형(석박통합과정) 연구원과 인공지능학과 노정호(석사과정), 조현석(석박통합과정) 연구원이 저자로 참여했습니다. 본 연구에서는 체화형 에이전트(embodied agents)가 지속적으로 변하는 환경에서 관찰 데이터만으로 적응할 수 있게 하는 MuSix(Multi-Scale Mixture of World Models) 프레임워크를 제안합니다. 이 프레임워크는 기존 월드 모델에 MoE 구조를 접목하면서 물리적 스케일의 월드 모델과 추상적 스케일의 월드 모델 등 다양한 스케일의 월드 모델을 혼합하는 방법과 이들이 유기적으로 진화하도록 지식을 주입하는 방법을 제안합니다. MuSix는 월드 모델 혼합 부분과 월드 모델 진화 부분으로 이루어져 있습니다. 월드 모델 혼합 부분은 스케일에 따라 라우팅 방식을 조절하는 meta-router와 실제 월드 모델을 라우팅하는 라우터의 2단계 구조로 이루어져 있습니다. 월드 모델 진화 부분에서는 새로운 지식이 스케일 단위로 그룹화된 월드 모델 그룹 각각에 주입되면서 필요하지 않은 기존 지식을 제거하는 intra-scale evolution이 일어나고, 동시에 스케일 간에 지식을 전이하는 inter-scale evolution이 발생합니다. EmbodiedBench 및 실제 Franka 로봇 조작 환경에서의 실험 결과 MuSix는 기존 SayCanPay 대비 평균 14.51% 높은 작업 성공률을 달성했습니다. 이러한 결과는 MuSix가 지속적으로 변하는 환경에서 체화형 에이전트가 스케일 단위로 월드 모델을 혼합하고 진화하게 하여 실시간으로 적응할 수 있게 하며, 이를 통해 지속적인 환경 변화에도 강건하게 추론할 수 있음을 보여 줍니다. CSI 연구실은 Embodied AI, Vision-Language-Action Model, Reinforcement Learning 기술을 활용하여 범용 인공지능 에이전트 연구와 로봇 지능 연구 등을 수행하고 있습니다. 우홍욱 | hwoo@skku.edu | CSI Lab | https://csiagentgroup.com
-
- 작성일 2026-06-23
- 조회수 1701
-
- [연구] 소프트웨어 보안 연구실 (지도교수 황성재), DFRWS USA 2026 논문 게재 승인
- 소프트웨어 보안 연구실(지도교수 황성재, https://softsec.skku.edu/)의 윤진희 학생(석사과정)이 수행한 연구 논문 “Forensic Analysis of Video Data Deletion and Recovery in Honeywell Surveillance File System”이 디지털 포렌식 분야의 저명한 국제 학회인 Digital Forensics Research Conference USA 2026 (DFRWS USA ’26)에 게재 승인되었습니다. 해당 논문은 2026년 7월 미국에서 발표될 예정이며, 국내 대학 소속 연구팀으로는 유일하게 DFRWS USA ’26에 논문이 채택되었다는 점에서 의미가 큽니다. 실제 범죄 현장에서의 실시간 감시 비디오는 객관적이고 신뢰도 높은 결정적 증거로 활용되며, 다양한 사건의 증거로 활용되어 왔다. 하지만 이러한 특성에 따라 범죄자가 증거 인멸을 목적으로 영상을 삭제하거나, 저장 장치를 물리적으로 망가뜨리는 증거 인멸 시도 또한 수사 현장에서 빈번하게 발생한다. 본 연구는 이러한 증거 인멸 상황이 발생했을 때, 디지털 포렌식 수사관이 디지털 영상 녹화기(DVR) 및 네트워크 영상 녹화기(NVR)로부터 실제 영상 데이터를 빠르게 추출 및 복구할 수 있도록 돕는 것을 목적으로 한다. 전 세계 영상 보안 시장의 주요 공급사 중 하나인 Honeywell 제조사는 북미 영상 감시 시장의 핵심 공급사임에도 불구하고 내부 파일 시스템 구조가 공개되지 않았으며, 이는 수사관으로 하여금 인멸 시도가 발생했을 때 분석을 어렵게 하는 원인이 된다. 이러한 문제 해결을 위해 본 연구에서는 Binary Diffing 기법을 활용하여 Honeywell NVR 파일 시스템의 내부 구조를 분석하고, 핵심 영역의 구조를 규명하여 Honeywell NVR 기기가 지원하는 세 가지 삭제 방식별 파일 시스템 메타데이터와 실제 데이터의 변화를 정밀 분석하였다.이후 Carving 기법을 통해 삭제된 영상을 성공적으로 복구할 수 있음을 실험으로 증명하였다. 이를 통해 범죄자가 증거 인멸을 시도하더라도 적절한 포렌식 분석을 통해 영상 증거를 되살릴 수 있음을 증명하였다. Abstract: Real-time video surveillance systems store recorded video using digital video recorders (DVRs) and network video recorders (NVRs). To support continuous high-volume video storage, these devices employ specialized, nonstandard file systems that are often proprietary and undocumented. This lack of documentation significantly increases the time and effort required for forensic analysis. In this study, we analyze an undocumented proprietary file system used by Honeywell video surveillance devices—one that, to the best of our knowledge, has not been examined in prior work—and investigate its deletion mechanisms and demonstrate the feasibility of video recovery after deletion. We perform a file system analysis using a binary diffing technique and evaluate three deletion methods supported by the target device: (1) formatting-based deletion, (2) data expiration, and (3) overwrite. For each method, we investigate changes in file system metadata and on-disk data structures and demonstrate the feasibility of video data recovery. Our findings aim to support more efficient and accurate forensic investigations of Honeywell surveillance products and provide foundational insights into the analysis of proprietary file systems used in video recording devices.
-
- 작성일 2026-06-17
- 조회수 1559
-
- [연구] 고영중 교수 연구실(자연어처리연구실,NLP Lab), ACL 2026 논문 1편 게재 승인
- 자연어처리연구실(NLP lab, 지도교수: 고영중)의 논문 1편이 인공지능 및 자연어처리 분야의 Top-tier 국제학술대회인 ACL 2026 (The 64th Annual Meeting of the Association for Computational Linguistics)의 Findings에 게재되었습니다. 논문: ConvX: A Lightweight Converter to Bridge Indexed Dense Representations and Large Language Models for Retrieval-Augmented Generation (인공지능학과 박사과정 최봉근, 인공지능학과 박사과정 김근하, 인공지능학과 석박사통합과정 한준호) 논문 요약: 본 연구에서는 RAG 파이프라인의 치명적인 효율성 문제와, 이를 해결하기 위한 기존 압축 기반 방법론들이 검색된 문맥을 다시 인코딩하며 발생하는 이중 인코딩(double-encoding) 문제를 해소하기 위해, 검색기가 생성한 색인된 밀집 표현(dense representation)을 직접 활용하여 긴 텍스트 문맥을 전적으로 대체하는 효과적인 압축 기반 RAG 프레임워크인 ConvX를 제안합니다. 제안한 방법은 경량 변환기(converter)를 통해 단일 밀집 표현을 고정된 수의 메모리 슬롯으로 확장합니다. 메모리 슬롯으로부터 문단 수준의 어휘 정보를 복원하도록 변환기를 학습합니다. 변환기를 통해 생성된 메모리 슬롯은 LLM의 기존 토큰 임베딩과 특성이 상이하므로, LLM이 메모리 슬롯에 대한 내용을 복원할 수 있도록 사전학습을 수행합니다. 이때, 다중 문서의 RAG 시스템에 적용할 수 있도록 단일 및 다중 문단 메모리 슬롯을 복원하도록 학습합니다. 이러한 설계는 입력 길이와 계산 오버헤드를 크게 줄이면서도 효율적인 지식 통합을 가능하게 합니다. 실험 결과, 제안한 모델은 RAG 환경에서 기존의 ad-hoc 문맥 압축 기법들 대비 우수한 성능을 달성하는 동시에, 추론 효율성을 크게 향상시킴을 확인하였습니다. Abstract: Retrieval-Augmented Generation (RAG) has significantly advanced open-domain question answering and dialogue systems by incorporating external knowledge into large language models. Despite its effectiveness, existing RAG pipelines suffer from critical efficiency limitations. In particular, modern transformer-based generators exhibit quadratic or higher computational complexity with respect to input sequence length and hidden dimensionality, leading to substantial inference latency as model scales and contextual inputs increase. This issue is exacerbated in RAG settings, where retrieved contexts substantially expand the input prompt. To alleviate this challenge, we propose an effective compression-based RAG framework, ConvX, that directly leverages indexed dense representations produced by a retriever, entirely substituting to long text contexts. Our approach expands a single dense representation into a fixed number of memory slots using a lightweight converter to provide rich lexical information. This design enables efficient knowledge integration while significantly reducing input length and computational overhead. Empirical evaluations demonstrate that the proposed model achieves outstanding performances compared to existing ad-hoc context compression methods in RAG setting, while offering substantially improved inference efficiency. 고영중 교수: yjko@skku.edu, nlp.skku.edu, 자연어처리연구실: nlplab.skku.edu
-
- 작성일 2026-06-08
- 조회수 1896
-
- [연구] 타메르 교수 연구실(InfoLab), ACM KDD 2026 논문 1편 게재 승인
- 타메르 교수 연구실(InfoLab)의 논문이 데이터 과학, 인공지능, 지식 발견 및 데이터 마이닝 분야의 권위 있는 국제학회인 ACM KDD 2026에 게재 승인(Accept)되었습니다. 해당 논문은 2026년 8월 9일부터 13일까지 대한민국 제주에서 개최되는 ACM KDD 2026에서 발표될 예정입니다. 그림 1. 정적 앙상블 모델 대비 VisionDES의 장점을 보여주는 예시. 빨간색으로 표시된 모델은 공격을 받은 모델을 의미합니다. 본 논문 “VisionDES: Robust and Explainable Dynamic Vision Ensemble”에서는 컴퓨터 비전 과제를 위한 동적 앙상블 선택 프레임워크인 VisionDES를 제안합니다. VisionDES는 딥 비전 임베딩과 근사 최근접 이웃 탐색을 활용하여 각 테스트 이미지에 대한 국소 역량 영역(Region of Competence, RoC)을 식별하고, 최종 예측을 위해 가장 신뢰할 수 있는 모델을 동적으로 선택하고 가중치를 부여합니다. 이를 통해 적대적 공격 및 분포 변화 상황에서의 강건성을 향상시키는 동시에, 개별 예측 수준의 해석 가능성을 제공합니다. 그림 2. 제안된 VisionDES 프레임워크. 학습, 선택, 집계의 세 가지 주요 단계로 구성됩니다. 본 연구에서는 정상 조건, 적대적 공격, 분포 변화 상황에서 여러 이미지 데이터셋을 활용한 광범위한 실험을 수행했습니다. 실험 결과, VisionDES는 정적 앙상블 및 불확실성 기반 동적 앙상블 방법보다 우수한 성능을 보였으며, 강한 공격 상황에서 최대 20% 더 높은 강건 정확도를 달성하고, 분포 변화 상황에서는 2–3% 더 높은 정확도를 보였습니다. 그림 3. 정상 이미지와 적대적 이미지 조건에서의 테스트 이미지 해석 가능성 예시. 각 모델의 Region of Competence(RoC) 내 동작, 예측 결과, 그리고 FAISS로 계산된 L2 거리 기반 RoC 샘플을 보여줍니다. VisionDES는 앙상블 모델을 더욱 적응적이고, 적대적 공격 및 분포 변화에 더 강건하며, 개별 예측 수준에서 더 설명 가능한 모델로 만들어 신뢰할 수 있는 컴퓨터 비전 기술 발전에 기여합니다. InfoLab의 연구 활동에 대한 자세한 내용은 https://infolab.skku.edu 에서 확인할 수 있습니다.
-
- 작성일 2026-05-22
- 조회수 2488
-
- [연구] 우홍욱 교수 연구실(CSI연구실), ICML 2026 논문 3편 게재 승인
- 우홍욱 교수 연구실(CSI연구실), ICML 2026 논문 3편 게재 승인 CSI연구실(지도교수: 우홍욱, https://csiagentgroup.com)의 논문이 인공지능 분야 우수학회인 ICML 2026 (The Forty-Third International Conference on Machine Learning)에 3편 논문이 게재 승인(Accept) 되었습니다. 논문은 26년 7월 서울 코엑스 컨벤션 센터에서 발표될 예정입니다. 1. 논문 “Functional Cache Grafting: Robust and Rapid Code-Policy Synthesis for Embodied Agents”은 소프트웨어학과 천세헌(석박통합과정), 최원제(박사과정), 최세라(석박통합과정), 안상현(석사과정) 연구원이 저자로 참여했습니다. 본 연구에서는 체화 에이전트(embodied agents)가 자연어 지시와 환경 관찰을 바탕으로 실행 가능한 코드 정책(code policy)을 생성할 때 발생하는 지연 시간과 낮은 안정성 문제를 다루었습니다. 이를 해결하기 위해 본 논문은 함수 단위로 검증된 코드 구조와 Transformer의 KV cache를 재사용하는 Functional Cache Grafting(FCGRAFT) 프레임워크를 제안합니다. FCGRAFT는 기존에 성공적으로 실행된 코드 정책을 함수 단위로 분해하여 Function-Interface tier와 Function-Code tier로 구성된 two-tier code cache에 저장합니다. 이후 새로운 작업이 주어지면, cache-stitching을 통해 검증된 함수 구조를 조합하고, 실행 중 오류가 발생하면 cache-patching을 통해 문제가 되는 코드 구간만 국소적으로 수정합니다. ALFRED, TEACh, RLBench 및 실제 Franka 로봇 조작 환경에서의 실험 결과, FCGRAFT는 기존 RAGCache 대비 평균 18.31% 높은 작업 성공률과 2.3배 빠른 정책 합성 속도를 달성했습니다. 이러한 결과는 FCGRAFT가 지속적으로 변화하는 개방형 환경에서 코드 기반 정책을 효율적으로 재사용·수정함으로써, 체화 에이전트의 실시간성과 강건성을 동시에 향상시킬 수 있음을 보여줍니다. 2. 논문 “Efficient Skill Grounding via Code Refactoring with Small Language Models”은 소프트웨어학과 최세라(석박통합과정), 최원제(박사과정), 천세헌(석박통합과정), 이대희(석박통합과정), 김주영(석사과정), 시스템경영공학과 이채은(학사과정) 연구원이 저자로 참여했습니다. 본 연구에서는 소형 언어모델(sLM)이 배포 환경의 제약 속에서도 효율적인 스킬 그라운딩(skill grounding)을 수행할 수 있도록 하는 리팩토링 중심(refactoring-centric) 에이전트 프레임워크 RECENT를 제안합니다. 기존 Code-as-Policies(CaP) 방식이 로봇 형태나 환경이 바뀔 때마다 스킬 코드를 처음부터 재생성해야 하는 문제를 해결하여, 소형 언어모델만으로도 안정적인 장기(long-horizon) 로봇 제어를 가능하게 하는 것을 목표로 합니다. RECENT는 스킬 코드를 변하지 않는 의미적 의도(semantic intent)와 배포 환경에 종속적인 실행 바인딩(execution bindings)을 분리하고, 사전에 결정 가능한 임바디먼트(embodiment) 충돌은 온톨로지 기반 추론을 통한 Fill-in-the-Middle 기반의 국소적 코드 편집으로 해결합니다. 실행 시점에 확인 가능한 환경적 요인은 단위 테스트(unit-test)로 문제 발생 가능성을 감지하고, 아직 실행되지 않은 코드 조각만을 FIM 방식으로 패치하여 로봇 실행을 중단시키지 않으면서 실행 중 적응(in-situ adaptation)을 수행합니다. CoppeliaSim과 Genesis에서 로봇 종류와 그리퍼 종류가 달라지는 시나리오를 세팅하여 평가한 결과, RECENT는 동일 크기의 증류(distilled) sLM 기반 CaP-CodeV-R1 대비 과제 성공률을 62.78% 향상시키고 코드 수정에 소요되는 시간을 평균 43.83초에서 2.60초 수준으로 단축했습니다. 이를 통해 RECENT는 소형 언어모델로도 배포 환경의 제약 속에서 안정적이고 효율적인 스킬 재사용이 가능함을 입증했습니다. 3. 논문 “Knothe-Rosenblatt Quantile Regression for Risk-sensitive Multi-objective Reinforcement Learning” 은 소프트웨어학과 유광표(박사과정), 김우경(박사과정) 연구원이 저자로 참여했습니다. 본 연구에서는 다목적 강화학습에도 위험 민감 강화학습을 할 수 있도록 Knothe-Rosenblatt (KR) map을 통한 위험 민감 강화학습 프레임워크를 제시하였습니다. 기존 위험 민감 강화학습은 다목적 환경에서 학습할 수 없는 문제를 가지고 있는데, 본 연구에서는 p은 분위수 함수를 Autoregressive한 map으로 표현하고, 이를 통해 Multivariate Distributional Bellman Equation의 수렴 및 벡터 위험 측도의 적절성을 증명하였습니다. 구현적 측면에서는 1. 인위적 순서 편향성 완화: KR 맵이 태생적으로 유발하는 목적 함수 간의 인위적인 순서 의존성 문제를 해결하기 위해, 위치 인코딩(Positional Encoding)이 생략된 트랜스포머(Transformer) 아키텍처를 임베딩 계층에 활용했습니다. 2. MO-TQC를 통한 학습 안정성 확보: 다목적 환경 특유의 과대적합(Overestimation bias)을 방지하고 분포 정밀도를 제어하기 위해, 차원별(dimension-wise) 및 합산(summation) 원자 제거 메커니즘을 포함하는 MO-TQC를 새롭게 고안했습니다. 본 연구는 다목적 강화학습의 표준 벤치마크인 MO-Gymnasium (Cheetah, Hopper 등) 및 실제 데이터 기반의 금융 포트폴리오 관리 환경(FinRL)에서 기장 뛰어난 비교군 대비 평균 29.77%의 전반적인 성능 (EU, HV) 향상을 기록했습니다. 특히 하위 10%의 최악의 상황을 고려하는 위험 민감 지표에서는 (EU_risk, HV_risk) 41.18%의 성능 향상을 달성하였습니다. 금융 환경에서 (unseen 데이터) 결과 수익률(Earnings) 25.40%, Sortino 지수 4.50, Sharpe 지수 2.01이라는 성과를 달성했습니다. (동일 기간 나스닥 100(Nasdaq 100) 벤치마크의 수익률 7.70%). CSI 연구실은 Embodied Agent, Reinforcement Learning, Self-Learning 기술을 활용하여 범용 인공지능 에이전트 연구와 로봇, 드론 자율주행 연구 등을 수행하고 있습니다. 우홍욱 | hwoo@skku.edu | CSI Lab | https://csiagentgroup.com
-
- 작성일 2026-05-18
- 조회수 2463
-
- [연구] 김유성 교수 연구실 (CSI Lab.) ICML 2026 논문 게재 승인
- CSI 연구실의 (지도교수: 김유성) 논문이 인공지능 분야 우수학회인 ICML (International Conference on Machine Learning) 2026 게재 승인되었습니다. 논문 "Learning Generalizable Skill Policy with Data-Efficient Unsupervised RL" 은 박종찬(박사과정), 백승호(박사과정), 오승준(박사과정) 이 저자로 참여했습니다. 본 연구는 보상 없이 다양한 행동 스킬을 학습하는 Unsupervised Reinforcement Learning (URL) 환경에서, 기존 방법들이 겪는 표현 불안정성(semantic drift)**과 일반화 한계 문제를 해결하는 새로운 학습 프레임워크를 제안합니다.특히, 과거 데이터를 현재 의미에 맞게 재해석하는 skill relabeling 기법을 통해 학습 안정성과 데이터 효율성을 동시에 향상시켰으며, 다양한 환경에서 기존 방법 대비 우수한 성능을 보였습니다. 본 결과는 향후 로봇 제어 및 자율 시스템에서 보다 효율적이고 일반화 가능한 행동 학습 기술로의 확장 가능성을 제시합니다. 김유성 | yskim525@skku.edu | CSI Lab. | https://csi-skku.github.io
-
- 작성일 2026-05-08
- 조회수 2440
High Tech, High Touch