“GNN의 학습 과정을 보정해 정확도·안정성·데이터 효율·일반화 신뢰성을 끌어올리는 학습 기술입니다.”
어떤 기술인가요?
그래프 신경망(GNN)은 사람·제품·문서·장비·분자처럼 서로 연결된 항목들의 관계를 함께 학습하는 AI 기술입니다. 본 기술은 새로운 GNN 모델 하나를 제안하는 것이 아니라, GNN이 학습하는 과정에서 생기는 약점을 보정합니다. 연결 구조가 복잡하거나, 정답 데이터가 적거나, 학습 때와 다른 데이터가 들어와도 성능이 쉽게 흔들리지 않도록 만드는 GNN 학습 보정 기술 4건입니다.
어떤 문제를 해결하나요?
기존 GNN은 연결된 항목들이 서로 비슷하다는 가정에 기대는 경우가 많습니다. 하지만 현실 데이터에서는 서로 다른 유형·상태·의미를 가진 항목들이 함께 연결됩니다. 이 기술은 연결의 방향과 신뢰도를 보정해, 섞인 연결에서도 분류 성능이 흔들리지 않도록 합니다.특허 1 · 2
실제 기업 데이터는 라벨이 충분하지 않은 경우가 많고, 모델이 일부 학습 데이터에만 맞춰지는 문제가 생깁니다. 특징 행렬과 가중치 행렬을 함께 이동시키는 학습 방식으로, 적은 정답 데이터에서도 일반화 성능을 유지하도록 돕습니다.특허 3
벤치마크에서 성능이 좋아도 실제 데이터에서 재현되지 않으면 도입 결정이 어렵습니다. PAC-Bayes 기반 최적화를 통해 학습된 모델이 새 데이터에서도 안정적으로 작동할 가능성을 높이고, 일반화 성능을 이론적으로 설명할 수 있게 합니다.특허 4
은행·카드사·핀테크 등 이상거래 탐지(FDS) 운영 기업 (금융)
계좌·거래·청구가 관계로 얽힌 데이터에서 정상 거래 사이에 숨은 이상거래·이상청구를 찾는 문제에 적용됩니다. 서로 성격이 다른 주체가 연결될수록 기존 모델이 놓치던 사례를 오히려 판별 근거로 활용합니다.
이커머스·콘텐츠 추천 서비스 운영 기업 (플랫폼)
고객·상품·리뷰가 연결된 데이터에서 추천 정확도를 높이고, 어뷰징·가짜 계정처럼 잘못 이어진 관계를 걸러냅니다. 이력이 적은 신규 고객·신상품 구간에서도 성능이 크게 떨어지지 않습니다.
그래프 기반 AI(추천·지식그래프 등)를 직접 개발·운영하는 기술 기업·기관
노드 분류·링크 예측 등 그래프 신경망 모델을 자체 개발·운영하는 팀에서, 이종성·소량 라벨 환경의 정확도와 일반화를 끌어올리는 학습 모듈로 기존 파이프라인에 결합합니다. 특정 산업보다 '그래프 AI를 실제로 다루는' 개발 현장 자체가 대상입니다.
- 서울대학교 컴퓨터공학 박사(2023) · 서울시립대학교 컴퓨터과학 학사(2019)
- 前 삼성SDS Research Scientist(2024–2025) · Arizona State University 박사후연구원(2023–2024)
- 現 숙명여자대학교 인공지능공학부 조교수 — 인공지능 추론(그래프·추천·언어 모델) 연구실 운영
이 연구는 그래프 신경망이 현실의 복잡한 연결 데이터를 더 정확하게 이해하도록 학습 과정을 보정하는 연구입니다. 서로 다른 성격의 데이터가 연결되어 있거나, 정답 데이터가 충분하지 않은 상황에서도 모델이 흔들리지 않도록 만드는 데 초점을 두고 있습니다. 앞으로 실제 기업 데이터와 결합해 기술의 적용 가능성을 검증하고, 산업 현장에서 필요한 형태로 함께 고도화해 나가고자 합니다.
보유 특허 4건
현재 검증 내용
검증 환경
| 기술양도 | 전용실시권 | 통상실시권 | 공동연구 | 기술자문 |
|---|---|---|---|---|
| ✕ | ○ | ○ | ○ | ○ |
도입은 이렇게 진행됩니다.
검토 미팅
귀사 상황·데이터 구조 기준으로 적합성을 논의합니다. 자료 검토만으로 끝나도 됩니다.
PoC 공동 검증
연구팀 동행 하에 귀사 데이터 기준 재학습·성능을 확인합니다.
라이센싱 계약
PoC 결과를 기반으로 희망 형태(실시권·공동연구 등)를 협의합니다.
기술지도·후속
도입 초기 기술지도, 필요 시 후속 공동연구·정부과제 연계까지 진행합니다.