최태종 교수님의 "ARO Lab(박지은, 파티마, 트란 응억, 류아름, 장화수 석사과정생)"에서 지난 12월 4일부터 7일까지

일본 교토에서 개최된 AIAT 2025(The 5th International Conference on Artificial Intelligence and Application Technology)에 참석하여

학술대회 세션에서 논문을 발표하였습니다.

[발표1: 박지은 석사과정생]

"Dual-Stage Feature-Filtered GAT: Learning Multi-Relational Structures in Tabular Data"

→ 표형 데이터에 내재된 세 가지 관계 축 1) 피처 간 관계(Feature to Feature), 2) 샘플 간 관계(Sample to Sample), 3) 샘플 내부 피처 간 상호작용(Intra Sample Feature Interaction)을 통합적으로 학습하는 프레임워크를 제안

→ 피처 간 관계는 통계 기반 유사도로 구성된 Feature Graph를 통해 GAT로 학습하고 tournament 방식으로 중요 피처를 선별하여 해석 가능성과 성능을 동시에 확보

→ 본 연구에서 제안한 Dual-Graph 프레임워크는 통합 학습 구조로 좋은 성능을 보였으나 구조가 상대적으로 복잡하여 계산 비용이 많이 드는 한계도 존재하여 향후 연구에서는 전체 파이프라인의 경량화를 통해 대규모 데이터셋에서도 적용 가능한 확장성과 학습 시간의 효율성을 높일 수 있도록 보완 예정

[발표2: 파티마 석사과정생]

"Early Warning Indicators of NASDAQ Asset Bubbles via Hybrid PSY-LSTM Models"

→ 계량경제학적 PSY 테스트와 딥러닝(LSTM)을 결합한 하이브리드 프레임워크 제안을 통하여 나스닥 시장의 버블 발생을 1~12개월 선행하여 예측하는 조기 경보 시스템 구축 및 검증에 대한 연구 발표

→ 기존 로지스틱 회귀 대비 우수한 성능(F1-Score 최대 90%)과 SHAP 분석을 통한 설명력 확보를 통하여 'M2 통화 공급 증가율'이 모든 예측 시점에서 버블 형성을 견인하는 핵심적인 선행 지표임을 규명

→ 해석 가능한 AI 모델로서 정책 결정 및 투자 리스크 관리에 실질적 기여 가능성을 확인하였으며 향후 나스닥 외 다양한 시장 지수로의 확장 적용, 추가 거시 변수 분석을 통해 모델 범용성 보완 예정

[발표3: 트란 응억 석사과정생]

"MT-UNet: A Multi-Task Network for Tumor Segmentation and Classification in Grayscale Medical Images"

→ 의료 영상 진단에서 병변의 정확한 위치 파악과 양성/악성 판별 동시 수행을 위하여 두 태스크를 단일 네크워크에서 공동 학습하는 멀티 태스크 학습 기반 프레임워크를 제안

→ 분할 태스크는 병변 위치에 국소적 정보를 제공하여 분류 모델이 병변 자체에 집중하도록 하고, 상호 규제 효과를 통해 과적합을 완화하고 일반화 성능을 개선함을 입증

→ 단 투 태스크 간 최적의 성능을 위해 loss 가중치 설정에 대한 추가적인 튜닝 비용이 발생하며, 향후 동적 가중치 전략의 효율화 및 다양한 의료 영상 도메인으로의 확장성 검증 보완 필요

[발표4: 류아름 석사과정생]

"Genetic-Algorithm Decision Support for Intelligent Community-Scale Power-Sharing Networks"

→ 신재생에너지(태양광, 풍력 등) 보급 확산에 따라 마을(커뮤니티) 단위의 분산형 전력망을 효율적으로 설계하는 기술이 요구되며, 전력망 구축 시 발생하는 선로 구축 비용과 전력망 설치로 인해 발생하는 전력거래 수익을 고려하여 AI 기반의 메타휴리스틱 방식을 제안

→ 제안된 GA 방식의 모델이 기존의 거리방식 방법론과 비교하여 더 높은 효율과 동시에 안정적인 수렴성능을 확인하였으며, 실제 데이터를 사용하여 커뮤니티 단위의 전력망 설계에 적용가능한 구체적인 의사 결정 도구를 제시

→ 실제 데이터를 활용하였음에도 불구하고 실험 대상이 단일 지역으로 제한되어 향후 네트워크 규모가 커질 경우 학습 시간과 계산 복잡도가 증가할 수 있으며, 후속 연구에서는 모델 경량화 및 탐색 효율 개선, 다양한 지역·규모 데이터에 대한 검증, 다목적 최적화를 통한 보다 보괄적인 의사결정 지원 프레임워크로의 확장 필요

[발표5: 장화수 석사과정생]

"Adaptive Self-referential MAP-Elites for Enhanced Optimization Performance"

→ 본 연구는 MAP-Elites가 정적 파라미터를 사용하는 구조적 한계로 인해 탐색 다양성 저하와 지역 최적해 정체가 발생하는 문제를 해결하고자, 차분 진화의 자가-적응형 파라미트 조정 기법을 MAP-Elites에 통합한 Adaptive DE-MAP-Elites 프레임워크를 제안

→ 제안 기법은 고정 파라미터 기반 CVT-DME 대비 QD-Score, Coverage, Best Fitness 전반에서 성능을 향상시켰으며 특히 jDE-MAP-Elites는 대부분의 함수에서 일관된 개선을 보임

→ 단, 성능 검증이 CEC2017 벤치마크 함수에 한정되어 있어 실제 로봇 제어, 설계 최적화 등 다양한 응용 문제로의 일반화 가능성은 추가 검증이 필요하며 향후 특징 공간 표현의 효율화와 경량화된 적응 메커니즘을 통한 확장성에 대한 연구 필요

파티마 학생은 해당 논문을 발표하여, 우수논문상을 수상하는 성과를 거두었습니다. 수상을 진심으로 축하합니다!

AIAT 학회에 다녀온 학생분들 모두 수고 많으셨습니다. 학회에서 얻은 다양한 피드백과 인사이트를 바탕으로 앞으로의 연구를 더욱 발전시켜 나가길 기대합니다.
ARO Lab 응원합니다!