Research Areas
불완전한 산업 데이터를 기반으로 실용적인 ML/DL 연구를 수행합니다.
01 / Research Area
Data Quality
실제 산업 환경의 다변량 센서 데이터는 네트워크 오류, 장비 점검, 센서 고장 등 다양한 이유로 결측이 발생하거나 비균일한 시간 간격으로 수집됩니다. 본 연구팀은 이러한 불완전한 산업 데이터를 효과적으로 처리할 수 있는 ML/DL 방법론을 연구합니다.
Missing Data
결측값이 포함된 데이터에서 패턴을 학습하여 누락된 시점/구간을 복원하고, 해당 데이터를 안정적으로 활용하기 위한 방법론 연구
Irregular Sampling
의료·산업 데이터에서 흔히 발생하는 비균일 시간 간격 데이터를 효과적으로 처리하기 위한 방법론 연구
Multivariate Dependency
다수의 센서 간 관계와 상호 의존성을 효과적으로 반영하여 복잡한 데이터 패턴을 학습하기 위한 방법론 연구
02 / Research Area
Label Quality
산업 현장에서 전문가가 직접 레이블을 할당하는 작업은 비용과 시간이 막대하게 소요됩니다. 결과적으로 레이블이 희소하거나 오염된 상황이 매우 빈번합니다. 본 연구팀은 레이블 희소성 환경과 노이즈 레이블 환경 등에서도 강건하게 학습 가능한 ML/DL 방법론을 연구합니다.
Active Learning
레이블링 비용 최소화를 위해 정보량이 높은 샘플을 선택적으로 레이블링하는 학습 전략 연구
Semi-supervised Learning
소수의 레이블 데이터와 다량의 비레이블 데이터를 함께 활용하기 위한 학습 방법론 연구
Learning with Noisy Labels
레이블 오류가 섞인 학습 데이터에서 클린 샘플을 선별하고, 안정적인 학습 성능을 확보하기 위한 방법론 연구
03 / Research Area
Industrial Application - Prognostics & Health Management
ML/DL은 제조, 에너지, 의료 등 다양한 산업 분야에 폭넓게 활용되고 있습니다. 본 연구팀은 산업 시스템의 상태를 진단하고 미래 건전성을 예측하여 유지보수 의사결정을 지원하는 건전성예측관리를 중심으로 다양한 산업 응용 연구를 수행합니다.
Anomaly Detection
산업 설비 및 시스템의 정상 패턴으로부터 벗어나는 이상 상태를 조기에 탐지하기 위한 방법론 연구
Fault Diagnosis
산업 설비에서 발생한 고장의 원인과 유형을 정확하게 식별하기 위한 방법론 연구
Remaining Useful Life Estimation
산업 설비의 미래 열화 상태를 예측하여 잔여 사용 가능 수명을 추정하기 위한 방법론 연구