데이터 중심 AI는 데이터 품질 향상과 핵심 데이터 선정을 통해 학습 알고리즘 성능을 최적화하는 연구 분야입니다. 이를 통해 효율적이고 강건한 모델 개발을 목표로 합니다. 

Data-centric AI is a research field focused on optimizing the performance of learning algorithms by improving data quality and selecting key data. The goal is to develop efficient and robust models. 

Keywords: Active Learning, Noise Label Learning, Continual Learning, Semi-supervised Learning, Coreset Selection

의료 영상 분석은 컴퓨터 비전과 생성 모델을 비롯한 다양한 머신러닝 기술을 활용하여 방대한 의료 영상 데이터를 심층 분석합니다. 의료 영상 분석을 통해 질병 진단의 정확성을 높이며 치료 계획을 최적화하는 것을 목표로 합니다.

Medical image analysis is a research field that aims to deeply analyze vast amounts of medical imaging data using various machine learning techniques, including computer vision and generative models. Through this, it seeks to enhance the accuracy of disease diagnosis and optimize treatment planning. 

Keywords: Multiple Instance Learning, Image Segmentation, Object Detection, Generative Model, Image Reconstruction, LLM

바이오 AI 연구는 신약 후보 물질 발굴과 단백질-분자 상호작용 분석을 고도화하고, 생성 모델을 활용하여 효능이 뛰어나고 합성 가능성이 높은 분자 설계를 자동화함으로써, 효율적인 신약 개발 프로세스를 구현하고 새로운 치료제 발굴에 기여합니다. 

AI Bio research enhances drug candidate discovery and protein-molecule interaction analysis, automating molecular design using generative models to create compounds with high efficacy and synthetic feasibility. This process enables a more efficient drug development workflow and contributes to the discovery of new therapeutic agents. 

Keywords: Drug Discovery, Generative Model,  LLM, RAG, PEFT, Drug Target Interaction, Reinforcement Learning

연합학습은 데이터를 중앙 서버로 전송하지 않고 각 디바이스에서 분산 방식으로 모델을 학습하여 개인정보 보호와 데이터 보안을 강화하는 프레임워크입니다. 우리 연구는 연합학습 과정에서 발생하는 다양한 문제를 해결하고, 참여자들이 지속적으로 학습에 참여하도록 유도하는 알고리즘을 개발합니다. 

Federated learning is a framework that enhances privacy and data security by training models in a decentralized manner on individual devices, without sending data to a central server. Our research focuses on addressing various challenges that arise during the federated learning process and developing algorithms that encourage participants to continue engaging in the learning process. 

Keywords: Federated Learning, Personalization, Incentive Mechanism. Backdoor Attack, Multi-agent Learning