대형 머신러닝 시스템 연구실은 대량의 데이터를 효과적으로 분석 및 활용할 수 있는 머신러닝 시스템을 연구합니다. 특히 우리는 수치 최적화 효율성과 하드웨어 자원의 활용도를 동시에 극대화할 수 있는 실용적인 머신러닝 알고리즘을 집중적으로 연구합니다. 현재 빅데이터 (Big Data) 및 사물인터넷 (IoT)과 같이 대량의 데이터를 활용하는 기술이 주목받고 있습니다. 우리는 이같은 대규모 데이터를 효과적으로 분석할 수 있는 병렬 머신러닝 알고리즘을 디자인하고 이를 실제로 구현하며 그 효용성을 검증합니다. 뿐만 아니라, 우리는 이러한 대형 머신러닝 시스템을 다양한 응용분야에 적용해 실생활의 중요한 문제들을 해결합니다. 우리 연구실에서 수행하는 연구는 크게 세가지 주제로 요약할 수 있습니다: 1) 대형 머신러닝을 위한 수치최적화 (numerical optimization) 알고리즘; 2) 다양한 이종(heterogeneous) 엣지 디바이스 기반 대형 연합학습(Federated Learning); 3) 과학 응용 분야 문제를 해결하기 위한 대형 딥러닝 솔루션 연구.

The Large-scale Machine Learning Systems lab. studies how to design and implement scalable machine learning algorithms. Our research focuses on how to better understand the internal data of machine learning models and utilize such understandings to design efficient and scalable machine learning algorithms. In addition, our research goal is to make the algorithms more practical such that they fully utilize the available system resources such as network bandwidth, computing power, and memory space. Based on scalable machine learning algorithms, we can enjoy unprecedented opportunities of exploring large-scale real-world problems! Our current works can be summarized as three topics; 1) Numerical optimization for large-scale Machine Learning; 2) Federated Learning on heterogeneous edge devices; 3) Large-scale applied deep learning for scientific applications.