정성원

그래프 신경망 기반 데이터 분석 및 추천 시스템

본 연구실은 복잡한 상호작용 데이터를 효과적으로 분석하고, 이를 바탕으로 개인화된 추천 시스템을 개발하는 데 중점을 둡니다. 특히 소셜 네트워크와 같은 관계형 데이터를 그래프 형태로 모델링하고, 그래프 신경망(GNN)을 활용하여 데이터 내 숨겨진 패턴과 사용자 선호를 심층적으로 이해하는 연구를 수행합니다. 최신 그래프 신경망(GNN) 모델을 기반으로 소셜 그래프의 정제 기법을 개발하여 추천 시스템의 정확도를 향상시킵니다. 또한 그래프 오토인코더(GAE)를 활용한 데이터 임베딩 기법으로 혼합 타입 데이터의 군집화를 수행하며, 이를 통해 복잡한 데이터 구조에서 의미 있는 특징을 추출하는 데 강점을 가집니다. 상품 검색 이력 기반 추천 시스템에서 발생하는 콜드 아이템 문제를 해결하기 위한 독창적인 방안을 모색하여, 초기 사용자나 신규 아이템에 대한 추천 성능을 극대화합니다. 이러한 연구는 사용자 맞춤형 서비스, 온라인 광고 최적화, 콘텐츠 추천 등 다양한 산업 분야에 적용될 수 있습니다. 특히 이종 데이터 간의 복잡한 관계를 학습하고 예측함으로써, 기존의 추천 시스템이 가지는 한계를 극복하고 더욱 정교하고 개인화된 추천 경험을 제공하는 데 기여합니다.

대규모 공간 데이터 처리 및 블록체인 기반 지리정보 시스템

본 연구실은 빅데이터 환경에서 발생하는 대규모 공간 데이터의 효율적인 저장, 관리, 질의 처리 기술을 연구합니다. 특히 분산된 환경에서 공간 데이터를 고속으로 처리하고, 최근 주목받는 블록체인 기술을 지리공간 데이터에 접목하여 데이터의 무결성과 신뢰성을 확보하는 지리정보 시스템(GIS) 개발에 주력하고 있습니다. 분할 공간 기반의 공간 데이터 객체 질의처리 장치 및 방법을 통해 데이터 공간을 효율적으로 분할하고 MBR(Minimum Boundary Rectangle) 정보를 활용한 인덱스 트리를 생성하여 질의 처리 성능을 극대화합니다. 또한, 블록체인 기반의 지리공간 데이터를 위한 공간 LSM 트리(Log-Structured Merge Tree)를 개발하여 대규모 지리공간 포인트 데이터의 인덱싱 및 검색 효율성을 높입니다. 다중 키워드 도메인을 반영한 공간-키워드 검색 기법을 통해 사용자 질의의 복잡성을 해결하고, Quadrant-Based MBR-Tree Indexing을 활용하여 HBase와 같은 빅데이터 플랫폼에서도 유사 질의를 효과적으로 처리합니다. 이러한 연구는 스마트 시티, 자율주행, 위치 기반 서비스(LBS), 국토 관리, 재난 예측 및 대응 등 광범위한 분야에서 활용됩니다. 효율적인 공간 데이터 처리 기술은 대규모 데이터를 실시간으로 분석하여 도시 계획, 물류 최적화, 환경 모니터링 등 다양한 사회 문제 해결에 기여하며, 블록체인 기반의 접근은 지리공간 데이터의 투명성과 보안성을 강화하여 미래 지리정보 시스템의 신뢰도를 높이는 데 핵심적인 가치를 제공합니다.

시계열 데이터 분석 및 이상 탐지/군집화

본 연구실은 센서 데이터, 로그 데이터 등 다양한 형태의 시계열 데이터로부터 유의미한 정보를 추출하고, 예측 및 이상 탐지를 수행하는 고도화된 기술을 개발합니다. 특히 복잡하게 얽힌 다변량 시계열 데이터 내에서 비정상적인 패턴을 신속하게 감지하고, 대규모 혼합 타입 데이터셋을 효율적으로 군집화하여 데이터 기반 의사결정을 지원하는 데 연구 역량을 집중하고 있습니다. 다중 시간 단위의 시계열 예측을 위한 효과적인 요약 전처리 방법과 GRU(Gated Recurrent Unit) 기반의 패칭 기법을 통해 시계열 예측 정확도를 높입니다. 센서별 시간지연 교차 상관관계를 적용한 그래프 컨볼루션 네트워크(GCN) 기반의 이상 탐지 방법을 개발하여, 센서 네트워크에서 발생하는 복잡한 이상 징후를 정밀하게 포착합니다. 또한, CF 트리를 활용한 범위 질의 기반 데이터 클러스터링 및 맵리듀스(MapReduce) 기반의 분산 군집화 기법을 통해 대규모 혼합 타입 데이터셋을 효율적으로 분석하고, CF+ 트리를 사용하여 분산 환경에서도 고성능의 군집화를 달성합니다. 이러한 연구는 스마트 팩토리의 설비 고장 예측, 금융 시장의 비정상 거래 탐지, 의료 분야의 생체 신호 분석, 에너지 소비 패턴 예측 등 다양한 산업 및 사회 문제 해결에 직접적으로 기여합니다. 실시간으로 발생하는 대량의 시계열 데이터 속에서 중요한 변화를 감지하고 미래를 예측하는 능력은 기업의 운영 효율성을 높이고 사회 안전망을 강화하는 데 핵심적인 가치를 제공합니다.