연구실 정보를 불러오고 있습니다
딥러닝 시스템 보안 및 테스팅
적대적인 데이터(adversarial input)를 효율적으로 생성하는 기술 및 이를 빠르고 정확하게 감지하는 기술에 대해 연구합니다.
대규모 딥러닝 시스템
네트워크 병목을 개선하고 딥러닝 모델 학습의 성능을 높이기 위해 gradient compression, computation/network pipelining 등의 기술을 연구합니다.
딥러닝 모델의 성능/정확도 트레이드 오프
딥러닝 모델의 정확도를 약간 트레이드 오프하면서 성능을 최적화하는 기술들을 연구합니다. 양자화, 모델 압축 등을 포함합니다.
대규모 그래프 분석 시스템
대규모 그래프 처리 및 불확정성 그래프 분석을 위한 효율적인 기술들을 연구합니다. 샘플링된 그래프 압축 등을 포함합니다.
불확정성 그래프 분석 시스템
노드 간의 연결이 확률적으로 주어지는 불확정성 그래프를 효율적으로 처리하는 기술들을 연구합니다.
Deep Learning Model Security and Testing
Large-Scale Deep Learning
Trade-Offs in Deep Learning Models
Graph Processing Systems
출처: 연구실 홈페이지
현재 재학생
14명
최근 5년 졸업
0명
학위 과정 분포: 석사 8명, 박사 6명 (대학원 14명)
대학원 14명 · 포닥·학부연구생 8명 별도
본 페이지는 연구실 규모 파악을 위한 집계 통계(구성원 수, 진로 카테고리, 학위 과정 분포)만 제공하며, 개별 학생의 이름·전적·취업처 등은 표시하지 않습니다. 학위 과정 분포는 모든 재학생의 과정이 명확히 분류된 경우에만 표시되며 (분류 미상 학생이 1명이라도 있으면 미표시), k≥5 익명성 조건을 충족할 때만 공개됩니다 (PIPA §58-2·§28-2 + 대법원 2014다235080).
수집 중
수집 중
논문 데이터가 수집되면 연구 키워드가 자동 추출됩니다