우리 연구실은 대규모 현실 세계 데이터를 그래프 구조로 모델링하여 분석하고, 의미 있는 인사이트를 도출하는 것을 목표로 합니다. 특히, 그래프 기반 데이터 마이닝 기법을 활용하여 복잡한 데이터 관계를 이해하고, 효율적인 문제 해결 방안을 연구합니다.
주요 연구 주제 (Graph-Oriented Research Topics)
그래프 군집화 (Graph Clustering)
네트워크 내에서 유사한 노드 또는 서브그래프를 군집화하는 기법을 연구합니다. 대표적인 예로, 소셜 네트워크에서 커뮤니티 탐색, 전자상거래 네트워크에서 고객 그룹 분석, 금융 네트워크에서 이상 그룹 탐지 등이 있습니다.
이동 패턴 그래프 마이닝 (Trajectory Graph Mining)
이동 데이터를 그래프 구조로 변환하여 이동 패턴을 분석하는 연구를 수행합니다. 예를 들어, 교통 네트워크에서 최적 이동 경로 탐색, 사용자 위치 기반 추천 시스템 개발, 도시 내 군중 이동 패턴 분석 등을 다룹니다.
소셜 네트워크 그래프 분석 (Social Network Graph Analysis)
소셜 네트워크를 그래프 모델로 변환하여 노드 중심성 분석, 영향력자 탐색, 커뮤니티 구조 탐색 등의 연구를 진행합니다. 정보 확산 모델링, 바이럴 마케팅 전략 수립, 허위 정보(가짜 뉴스) 탐지 등에도 응용됩니다.
그래프 인덱싱 및 검색 (Graph Indexing & Retrieval)
대규모 그래프 데이터를 효율적으로 관리하고 검색하기 위해 고성능 그래프 인덱싱 기법을 연구합니다. 특히, 지식 그래프에서 연관 관계 검색, 대화형 추천 시스템을 위한 그래프 기반 질의 처리, 생물정보학에서 유사 서브그래프 검색 등의 문제를 다룹니다.
그래프 데이터 안정성 및 신뢰성 확보 (Graph Data Stability & Reliability)
그래프 데이터의 일관성 유지, 노이즈 제거, 이상 탐지를 위한 기법을 연구합니다. 예를 들어, 소셜 네트워크에서 봇 탐지 및 데이터 조작 방지, 금융 네트워크에서 사기 거래 탐지, 센서 네트워크에서 이상 데이터 보정 등의 응용이 포함됩니다.
양자 알고리즘을 활용한 그래프 마이닝 (Quantum Algorithm for Graph Mining)
그래프 데이터 분석의 연산 복잡도를 줄이기 위해 양자 컴퓨팅 기반의 알고리즘을 연구합니다. 양자 랜덤워크를 활용한 그래프 탐색, 양자 기반 군집화 알고리즘 개발, 양자 컴퓨팅을 활용한 그래프 최적화 문제 해결 등의 연구를 수행합니다.
벡터 데이터베이스의 효율적인 탐색
그래프 구조와 벡터 데이터베이스를 결합하여 고차원 데이터의 효율적인 검색 및 유사성 탐색 기법을 연구합니다.
1. 알고리즘 기반 그래프 데이터 마이닝 (Algorithmic Graph Mining)
전통적인 그래프 이론과 알고리즘을 활용하여 효율적이고 효과적인 그래프 분석 기법을 개발합니다. 여기에는 그래프 이론을 활용한 최적화 기법, 대규모 네트워크에서의 효율적인 그래프 탐색 알고리즘, 하이퍼그래프 분석을 통한 다중 관계 모델링 등의 연구가 포함됩니다.
2. 그래프 데이터 마이닝 + X (Graph Data Mining + X)
그래프 데이터 마이닝에 딥러닝, 자연어 처리, 양자 컴퓨팅 등의 첨단 기술을 융합하여 새로운 분석 기법을 연구합니다. 특히, 아래와 같은 내용을 수행합니다.
GNN (Graph Neural Networks)을 활용한 네트워크 분석
LLM (Large Language Models)과 지식 그래프를 결합한 지능형 데이터 마이닝
양자 컴퓨팅을 활용한 그래프 최적화 문제 해결