양지훈

재직중

AI 요약

양지훈 교수는 서강대학교 컴퓨터공학과에서 인공지능 및 데이터 과학 분야를 이끌고 있는 전문가입니다. 사회적 문제 해결에 기여하는 실용적인 AI 모델 개발에 중점을 두며, 문자메시지 기반 스미싱 판별, 온라인 그루밍 위험성 탐지, 딥러닝 기반 고해상도 이미지 생성 등 다양한 연구 과제를 성공적으로 수행하였습니다. 교수님의 연구는 딥러닝, 머신러닝, 강화학습, 시계열 데이터 분석, 멀티모달 데이터 처리 및 추천 시스템 등 광범위한 인공지능 핵심 기술을 아우릅니다. 이러한 연구는 데이터 분석 역량을 기반으로 하며, 다수의 국내외 학술 논문 발표와 특허 등록으로 그 우수성을 인정받고 있습니다. 양지훈 교수는 미래 기술 발전에 지속적으로 기여하고 있습니다.

양지훈

교수

서강대학교

생명과학과

소속	서강대학교
부서 학과	생명과학과
직책	교수
사무실 번호	027058408
이메일	jihuny@sogang.ac.kr
연구자 홈페이지	링크 바로가기
연구실	AI 연구실
연구실 홈페이지	링크 바로가기

경력정보

서강대학교 컴퓨터공학과

교수 재직

AT&T 연구소

선임 연구원 역임

벨 연구소 (Bell Labs)

연구원 역임

뉴욕주립대학교 (SUNY) 스토니브룩 컴퓨터공학과

조교수 역임

중요 키워드

기술이전기계학습추천시스템강화학습이상탐지딥러닝데이터증강인공지능사이버보안의료AI데이터프라이버시컴퓨터비전시계열분석이미지생성스마트팩토리

학력

박사 USC 컴퓨터공학과 석사 USC 컴퓨터공학과 학사 연세대학교 전자계산학과

문의처

서강대학교

담당자서강대학교산학협력단

이메일tlo@sogang.ac.kr

연락처02-3274-4863

보유 기술

인공지능

시계열 예측 정밀도 향상 합성곱 신경망 데이터 확장 기술 개발

가격 협의

작은 크기와 변동성이 큰 시계열 데이터는 모델 과적합으로 인해 예측 성능 저하를 야기하는 문제가 있습니다. 본 발명은 이러한 문제 해결을 위해 합성곱 신경망(CNN)을 활용한 데이터 확장 방법 및 장치를 제공합니다. 연속된 시계열 데이터의 특징을 2차원 배열로 변환하고, 이를 합성곱 신경망으로 처리하여 새로운 데이터를 생성함으로써 원본 데이터를 효과적으로 확장합니다. 이 기술은 주식, 에너지 사용량 등 소량의 시계열 데이터 환경에서도 예측 성능을 획기적으로 향상시켜 데이터 기반 분석 및 의사결정의 정확도를 극대화할 수 있습니다.

LSTM 모델과적합 방지금융 데이터 예측데이터 증강 기법데이터 확장

알고리즘 외

학습 데이터 불균형 해결, AAE SMOTE 오버샘플링 개발

가격 협의

기계학습 모델의 성능 저하는 학습 데이터의 불균형에서 비롯됩니다. 특히 소수 범주 데이터의 부족은 예측 정확도를 낮춥니다. 본 기술은 이러한 문제를 해결하기 위해 적대적 오토인코더(AAE)와 SMOTE(Synthetic Minority Over-sampling Technique)를 결합한 혁신적인 오버샘플링 방법을 제시합니다. AAE로 데이터의 잠재 변수 특징을 추출한 후, 해당 공간에서 SMOTE를 적용하여 소수 범주 데이터를 효과적으로 증강합니다. 이 과정을 통해 재구성된 학습 데이터는 소수 및 다수 범주의 균형을 맞추어 기계학습 모델의 정확도와 신뢰도를 획기적으로 향상시킵니다. 본 방법은 기존 오버샘플링 대비 우수한 성능을 입증합니다.

AI 데이터 전처리SMOTE과적합 방지기계 학습데이터 균형 기술

알고리즘

빠른 낮은 계수 표현 이용한 효율적 준지도 학습 그래프 구축 개발

가격 협의

기존 준지도 학습의 핵심인 그래프 구축 과정은 낮은 계수 표현(LRR) 방식의 높은 정확도에도 불구하고, 특이값 분해(SVD)에 수반되는 높은 계산 비용으로 인해 처리 속도 문제가 있었습니다. 본 발명은 이러한 한계를 극복하기 위해 '빠른 낮은 계수 표현(Fast Low-Rank Representation)' 기반의 혁신적인 그래프 구축 방법인 FaGLRR과 FaMLRR을 제안합니다. FaGLRR은 Graph-Regularized LRR(GLRR)과 동일한 정확도를 유지하며 획기적으로 빠른 연산을 가능하게 합니다. 또한, Fast MLRR(FaMLRR)은 특정 조건에서 기존 Manifold LRR(MLRR)보다 빠르면서도 더 우수한 결과를 도출합니다. 이 기술은 데이터의 특징 구조를 고성능으로 표현하는 그래프를 효율적으로 생성하여, 준지도 학습 모델의 예측 정확도를 높이고 AI 시스템의 전반적인 처리 속도를 대폭 향상시키는 데 기여합니다. 얼굴 클러스터링, 객체 검출 등 다양한 인공지능 응용 분야에서 핵심적인 성능 개선을 제공할 것으로 기대됩니다.

FaGLRRFaMLRR객체 검출계산 최적화그래프 구축

보유 기술 로딩 중...