Research

• Deep learning
• Probabilistic graphical models
• Bayesian learning
• Evolutionary computation
• Statistical techniques

Applications

• Omics data analysis
• Cooperative learning in ubiquitous environments
• Proactive planning for robot control
• Web log analysis
• Natural language processing

Issues

• Analysis of large-scale data using probabilistic graphical models
• Efficient (approximate) Bayesian learning for Bayesian networks (using MCMC techniques)
• Practical feature selection methods for sparse data
• Combined analysis of heterogeneous data
• Exploitation of characteristics of real-world complex networks

연구 방법론은 확률그래프모델, 베이지안학습, 진화연산, 정보이론 및 다양한 통계기법이며 이들은 모두 "사람이 컴퓨터에게 명시적으로 명령하기 어려운 작업"을 "스스로 배울 수 있는 소프트웨어 및 하드웨어" 개발의 이론적인 기반이 됩니다.

스스로 배울 수 있는 소프트웨어는 데이터 분석을 통한 지식 추출,  로봇의 지능적인 행동전략 학습 등의 문제를 해결할 수 있습니다. 현재 분자생물학/의학/약학과 유비쿼터스 컴퓨팅/로보틱스 분야의 다양한 연구과제를 통해 실제 문제 해결을 위한 알고리즘을 개발 및 구현하고 있습니다. 또한, 자연언어처리/웹검색/경영학 분야의 문제 해결을 위한 기계학습 기법 역시 본 연구실에서 연구 및 개발하고 있습니다.

본 연구실의 장기적이며 궁극적인 연구 주제는 스스로 배우는 방법에 대한 이론적인 기반을 알아나가는 것입니다.