-
- 박성민 박사 한국외대 전임교원 임용(데이터지능 및 학습 연구실, 지도교수: 이종욱)
- 본교 인공지능학과 졸업생인 박성민 박사(지도교수 이종욱)가 2026년 3월부로 한국외국어대학교 AI데이터융합학부 전임교원으로 임용되었습니다. 박성민 박사는 2025년 2월 "Improving Linear Item-Item Recommender Models for Data Bias, Semantics, and Temporality" 연구로 박사 학위를 취득하였습니다. 박성민 박사는 재학 기간 중 추천 시스템, 데이터 마이닝, 자연어 처리 분야를 깊이 있게 연구하였으며, SIGIR, KDD 등 AI 분야 최우수 국제 학술대회에 총 12편의 논문을 발표하는 등 세계적인 수준의 탁월한 연구 성과를 거두었습니다. 특히 데이터의 편향성 해소와 시계열 특성을 반영한 선형 추천 모델 최적화 연구를 통해 학계의 주목을 받았습니다. 최근에는 거대언어모델과 멀티모달 데이터를 활용한 추천 시스템 고도화 연구에 관심을 두고 있으며, 앞으로 한국외국어대학교에서 AI와 데이터 기술을 융합하여 실세계의 복잡한 문제를 해결하는 혁신적인 연구를 이어갈 예정입니다. 새로운 길을 걷게 된 박성민 박사에게 따뜻한 축하를 보내며, 앞으로의 활발한 연구와 활동을 응원합니다. 개인 웹사이트: https://psm1206.github.io/
-
- 작성일 2026-03-31
- 조회수 558
-
- 제32회 삼성휴먼테크논문대상 6편 수상(인공지능학과 이주찬 석박통합과정 장려상 수상)
- 제32회 삼성휴먼테크논문대상 6편 수상 - 은상 1편, 동상 3편, 장려상 2편… 다양한 분야 연구 성과 입증 우리 대학은 제32회 삼성휴먼테크논문대상에서 은상 1편, 동상 3편, 장려상 2편 등 총 6편이 수상하는 성과를 거두며 우수한 연구 역량을 입증했다. 삼성휴먼테크논문대상은 과학기술 분야의 차세대 인재를 발굴하기 위해 1994년 제정된 국내 최고 권위의 논문 경진대회로, 삼성전자가 주최하고 과학기술정보통신부와 중앙일보가 공동 후원한다. 올해는 총 3,172편의 초록이 접수됐으며, 초록 심사와 논문 서면·발표 평가, 대상심의회 등 총 4단계의 심사를 거쳐 120편이 최종 수상작으로 선정됐다. 우리 대학은 Circuit Design, Computer Science & Engineering, Mechanical Engineering, Material Science & Engineering, Bio Engineering & Life Science, Basic Science 등 다양한 분야에서 수상자를 배출하며 연구 경쟁력을 입증했다. 수상자는 ▲은상(Material Science & Engineering): 손시훈(나노과학기술학과) ▲동상(Circuit Design, Mechanical Engineering, Basic Science): 김민경(전자전기컴퓨터공학과), 임도현(화학공학과), 김지훈(화학공학과) ▲장려상(Computer Science & Engineering, Bio Engineering & Life Science): 이주찬(인공지능학과), 김민진(화학공학과) 등이다. 우리 대학은 이번 수상을 통해 다양한 학문 분야를 아우르는 연구 역량을 입증했으며, 미래 과학기술을 선도할 인재 양성의 중심 대학으로서의 위상을 다시 한번 공고히 했다.
-
- 작성일 2026-03-30
- 조회수 0
-
- 2025 SKKU-Fellowship 교수 11명 선정
- 2025 SKKU-Fellowship 교수 11명 선정
-
- 작성일 2026-03-17
- 조회수 0
-
- [수상 소식] 이재혁 학생, Stars of Tomorrow Internship Program 선정
- 인공지능학과 이재혁 박사과정 학생이 2026년 1월, Stars of Tomorrow Internship Program에 선정되는 영예를 안았습니다. 이재혁 학생은 2025년 7월부터 2025년 12월까지 Microsoft Research Asia에서 인턴십을 수행하며 우수한 연구 역량을 인정받아 본 프로그램에 선정되었습니다. 본 프로그램은 미래의 연구 리더로 성장할 잠재력을 지닌 인턴에게 수여되는 명예로운 상입니다. 이재혁 학생의 뛰어난 성과를 진심으로 축하드리며, 앞으로의 연구 활동에도 큰 성취가 함께하길 기원합니다.
-
- 작성일 2026-01-21
- 조회수 1736
-
- 2025 SKKU Rising-Fellowship 교수 17명 선정
- 2025 SKKU Rising-Fellowship 교수 17명 선정
-
- 작성일 2025-12-26
- 조회수 0
-
- 우사이먼성일 교수, 과학기술정보통신부장관 표창 수상
- 소프트웨어학과/인공지능대학원 소속 우사이먼성일 교수가 “세계최고 수준의 딥페이크 탐지 연구 수행, 사회문제 해결에 적극 대응, 딥페이크 연구 국제 협력 및 교육에 기여한 점을 인정받아 지난 11월 12일 2026년 AI ICT 산업 기술전망 컨퍼런스(https://aiictconference.kr/home/)에서 ICT 기술 성과확산 유공자로 선정되어, 과기정통부 장관 표창을 수상하였다. 우사이먼성일교수와 연구팀은 과기정통부 주관으로 딥페이크 탐지 관련 핵심기술 개발과 이를 통한 사회문제 해결 및 국제협력에 적극적으로 참여하고 있으며, 현재 경찰청, 대검찰청, AI안전연구소 등과 딥페이크 탐지 기술 개발, 그리고 사회문제 해결 및 공익을 위한 AI 및 보안 인재 양성에 힘쓰고 있다.
-
- 작성일 2025-12-02
- 조회수 1578
-
-
-
- 자연어처리연구실(NLP lab, 지도교수: 고영중), EMNLP 2025에 논문 2편 게재
- 자연어처리연구실(NLP lab, 지도교수: 고영중)의 논문 2편이 인공지능 및 자연어처리 분야의 Top-tier 국제학술대회인 EMNLP 2025(The 2025 Conference on Empirical Methods in Natural Language Processing)의 Main Track(long paper)에 게재되었습니다. 논문: ECO Decoding: Entropy-Based Control for Controllability and Fluency in Controllable Dialogue Generation, Main Track (long paper) (인공지능학과 석사과정 신승민, 인공지능학과 박사과정 김두영) 논문 요약: 본 연구에서는 기존의 속성 제어 연구 방법론 중 하나인 가중치 기반 생성(Weighted Decoding)에서 엔트로피 기반의 동적인 가중치를 활용하는 방법을 제안합니다. 가중치 기반 생성 방법은 생성 AI의 확률 분포에 각 토큰이 생성될 경우 제어하고자 하는 속성으로 분류될 확률 분포를 결합하여 최종 확률 분포를 계산합니다. 따라서 생성 AI의 추가적인 학습 없이 속성 분류기만을 학습하여 최소한의 학습으로 속성을 제어할 수 있으며, plug-and-play 방식으로 효율적인 활용이 가능합니다. 기존의 가중치 기반 생성 방법은 두 확률 분포의 가중치를 실험적으로 선택하지만, 이러한 방식은 경우에 따라 생성 품질을 저하하거나 속성 제어가 잘 이뤄지지 않을 수 있습니다. 이러한 문제를 해결하기 위해서는 응답에 생성되는 과정에 따라 동적으로 가중치를 할당할 수 있어야 합니다. 본 연구에서는 이러한 동적인 가중치를 할당하기 위해 각 확률 분포의 엔트로피를 활용하였습니다. 엔트로피는 확률 분포의 불확실성을 정량화하는 값입니다. 엔트로피가 높은 경우 선택 가능한 합리적인 토큰 후보가 많고, 엔트로피가 낮은 경우 선택 가능한 토큰이 제한적이라는 점에서 착안하여 엔트로피에 반비례하는 동적인 가중치를 설계하였습니다. 2가지 대화 데이터셋에서 다양한 베이스라인 가중치 기반 생성 기법에 동적인 가중치를 적용한 결과, 추가적인 학습 과정 없이도 높은 생성 품질을 유지하면서 속성 제어가 가능함을 실험적으로 증명하였습니다. 또한 다양한 모델 사이즈에서도 모두 성공적인 제어 결과를 확인할 수 있었습니다. 또한 기존의 가중치 기반 생성 기법에서 다루기 어려웠던 다중 속성 제어 환경에서도 성공적인 성능 향상을 달성할 수 있었습니다. Abstract: Controllable Dialogue Generation (CDG) enables chatbots to generate responses with desired attributes, and weighted decoding methods have achieved significant success in the CDG task. However, using a fixed constant value to manage the bias of attribute probabilities makes it challenging to find an ideal control strength that satisfies both controllability and fluency. To address this issue, we propose ECO decoding (Entropy-based COntrol), which dynamically adjusts the control strength at each generation step according to the model’s entropy in both the language model and attribute classifier probability distributions. Experiments on the DailyDialog and MultiWOZ datasets demonstrate that ECO decoding consistently improves controllability while maintaining fluency and grammaticality, outperforming prior decoding methods across various models and settings. Furthermore, ECO decoding alleviates probability interpolation issues in multiattribute generation and consequently demonstrates strong performance in both single- and multi-attribute scenarios. 논문: Decoding Dense Embeddings: Sparse Autoencoders for Interpreting and Discretizing Dense Retrieval, Main Track (long paper) (인공지능학과 석사과정 박성완, 인공지능학과 석사과정 김택림) 논문 요약: 밀집 문서 검색(Dense Passage Retrieval, DPR)은 우수한 성능을 보이지만, dense embedding의 불투명성으로 인해 검색 결과에 대한 설명 가능성과 신뢰성에 한계가 있습니다. 본 연구는 희소 오토인코더(Sparse Autoencoder, SAE)를 활용하여 DPR의 dense embedding을 해석 가능한 latent concept로 분해하고, 각 concept에 대해 대규모 언어 모델(LLM)을 이용해 자연어 설명을 생성하는 새로운 해석 프레임워크를 제안하고, 다양한 정성적·정량적 실험을 통해 DPR 모델에 대한 SAE 기반 해석의 타당성과 효과성을 검증하였습니다. 더불어, 기존 단어 기반 sparse retrieval 대신, latent concept를 정보 검색 단위로 활용하는 Concept-Level Sparse Retrieval (CL-SR) 구조를 제안하였습니다. 이는 sparse retrieval의 효율성과 해석 가능성을 유지하면서도 dense retrieval 수준의 표현력과 의미적 강건성을 동시에 활용할 수 있는 구조로, 기존 sparse 모델에 비해 높은 검색 효율성과 정확도를 보였으며, 의미 불일치 상황에서도 우수한 성능을 유지하였습니다. Abstract: Despite their strong performance, Dense Passage Retrieval (DPR) models suffer from a lack of interpretability. In this work, we propose a novel interpretability framework that leverages Sparse Autoencoders (SAEs) to decompose previously uninterpretable dense embeddings from DPR models into distinct, interpretable latent concepts. We generate natural language descriptions for each latent concept, enabling human interpretations of both the dense embeddings and the query-document similarity scores of DPR models. We further introduce Concept-Level Sparse Retrieval (CL-SR), a retrieval framework that directly utilizes the extracted latent concepts as indexing units. CL-SR effectively combines the semantic expressiveness of dense embeddings with the transparency and efficiency of sparse representations. We show that CL-SR achieves high computational and storage efficiency while maintaining robust performance across vocabulary and semantic mismatches. 고영중 교수: yjko@skku.edu, nlp.skku.edu, 자연어처리연구실: nlplab.skku.edu
-
- 작성일 2025-10-30
- 조회수 1346
-
