1. 일시: 2024.5.9.(목), 14:00~16:00

2. 장소: 판교 테크노밸리 산업수학혁신센터 세미나실

   • 경기 성남시 수정구 대왕판교로 815, 기업지원허브 231호 국가수리과학연구소
   • 무료주차는 2시간 지원됩니다.

3. 발표자: 김우진 교수(KAIST)

4. 주요내용: Topology and Data

Due to unprecedented technological advances in recent decades, scientists across diverse fields have been increasingly confronted with a deluge of complex and high-dimensional data. Consequently, identifying and exploiting the underlying structure of such data has emerged as a fundamental challenge in data analysis and machine learning. Topological Data Analysis (TDA) has emerged as a field providing a suite of tools for studying the structure of complex data through the application of topological and geometric principles. Among others, persistent homology is a central concept in TDA. This talk provides an introductory overview of persistent homology, including its modern generalization.

*유튜브 스트리밍 예정입니다.

1. 일시: 2024년 4월 24일(수), 10:30~12:30

2. 장소: 판교 테크노밸리 산업수학혁신센터 세미나실

   • 경기 성남시 수정구 대왕판교로 815, 기업지원허브 231호 국가수리과학연구소
   • 무료주차는 2시간 지원됩니다.

3. 발표자: 이창희 교수(중앙대학교)

4. 주요내용: 딥러닝 기반의 변수 선택 기술

변수 선택 기법은 대상 변수(혹은 종속 변수)를 예측하는 데 주요한 입력 변수를 선택하는 기술로써, 데이터로부터 입력 변수와 대상 변수 간의 관계를 설명할 수 있는 인공지능 기술의 하나로 활용되고 있다. 변수 선택 기법은 특히 의료 분야와 같이 입력 변수의 기여도 및 내재된 관계에 대한 이해가 필요한 분야에서 많이 활용되고 있다. 예를 들어, 변수 선택 기법은 데이터로부터 환자의 어떤 위험 요소가 질병 예후에 영향을 미쳤는지, 환자 혹은 암의 어떤 유전적인 특징들이 약물 민감도에 영향을 미쳤는지 등을 파악하여, 질병에 대한 이해와 임상적 결정에 중요한 근거를 제시할 수 있다. 최근 전통적인 통계학 및 머신러닝 모델에 비해 비약적으로 향상된 성능을 제공하는 딥러닝 모델은 블랙박스 특성으로 인해 주요 변수를 파악하는 것이 어려우며, 기존의 통계 기반의 변수 주요도 및 선택 기법을 적용하기 어렵다. 본 발표에서는 변수 선택 기법 문제를 딥러닝 모델을 활용한 학습 가능한 형태로 정의하고, 최근 딥러닝 기반의 변수 선택 기법 연구가 어떻게 발전하고 있는 지 소개한다.

유튜브 스트리밍 예정입니다.

1. 일시/장소: 2024년 4월 18일(목), 14:00-16:00

               /대전 국가수리과학연구소 CAMP 대형강의장 (현장 강연만 진행)

2. 연사: 장진우 교수 (포항공과대학교)

3. 주제: Exploring the Invisible: Unraveling Gas Behavior in Extreme Conditions with the Boltzmann Equation

4. 초록: 이번 강연에서는 기체 및 플라즈마 등의 유체의 운동역학을 묘사하기 위한 한가지 방법인 기체분자 운동론 (Kinetic theory of gases) 그리고 볼츠만 방정식을 소개하는 시간을 갖습니다. 멕스웰과 볼츠만의 통계물리적 접근을 통한 볼츠만 방정식의 소개, 그리고 볼츠만 방정식을 통하여 유체의 거시적 물리량을 복구하고 고온 및 저압 상황에서의 기체분자 운동에 대한 특성을 소개하겠습니다. 또한 연속 유체와 희박 기체의 온도 분포의 차이를 소개하고 볼츠만 방정식의 여러가지 대안적 수치 방법들을 소개하도록 하겠습니다. 

1. 일시: 2024년 4월 2일(화), 14:00~16:00

2. 장소: 판교 테크노밸리 산업수학혁신센터 세미나실

   • 경기 성남시 수정구 대왕판교로 815, 기업지원허브 231호 국가수리과학연구소
   • 무료주차는 2시간 지원됩니다.

3. 발표자: 최재웅 박사(고등과학원 AI 기초과학센터)

4. 주요내용: Generative Modeling through Optimal Transport

Optimal Transport (OT) problem investigates a transport map that bridges two distributions while minimizing a specified cost function. OT theory has been widely utilized in generative modeling. Initially, the OT-based Wasserstein metric served as a measure for assessing the distance between data and generated distributions. More recently, the OT transport map, connecting data and prior distributions, has emerged as a new approach for generative models. In this talk, we will introduce generative models based on Optimal Transport. Specifically, we will present our work on a generative model utilizing Unbalanced Optimal Transport. We will also discuss our subsequent efforts to address the challenges associated with this approach.

1. 일시: 2024.3.28.(목), 14:00~16:00

2. 장소: 판교 테크노밸리 산업수학혁신센터 세미나실

   • 경기 성남시 수정구 대왕판교로 815, 기업지원허브 231호 국가수리과학연구소
   • 무료주차는 2시간 지원됩니다.

3. 발표자: 신원용 교수(연세대학교)

4. 주요내용: Graph Learning vs. Graph Filtering

In the graph signal processing perspective, a series of graph filtering is shown to exhibit state-of-the-art performance with a substantially low computational complexity. This talk aims to bridge between graph filtering and graph learning. In the first part of this talk, I explain how the basic mechanism of the well-known graph convolutional network (GCN) is interpreted as graph filters. In the second part of this talk, I introduce graph filtering methods using a low-pass filter without a costly model training process. More specifically, I present graph filtering-based collaborative filtering approaches that do not require training for recommender systems. Finally, I discuss how such methodology is applicable to a broad spectrum of real-world recommendation domains.

*유튜브 스트리밍 예정입니다.

1. 일시: 2024년 3월 21일(목), 14:00~16:00

2. 장소: 판교 테크노밸리 산업수학혁신센터 세미나실

   • 경기 성남시 수정구 대왕판교로 815, 기업지원허브 231호 국가수리과학연구소
   • 무료주차는 2시간 지원됩니다.

3. 발표자: 오민환 교수(서울대학교)

4. 주요내용: Cascading Contextual Assortment Bandits

Multi-armed bandit is a fundamental sequential decision-making problem that is often used to model interactions between users and a recommender agent. We propose a new combinatorial bandit model, the cascading contextual contextual assortment bandit. This model serves as a generalization of both existing cascading bandits and assortment bandits, broadening their applicability in practice. For this model, we propose our first UCB bandit algorithm, UCB-CCA. We prove that this algorithm achieves a T-step regret upper-bound of O((d/κ)√T) sharper than existing bounds for cascading contextual bandits by eliminating dependence on cascade length K. To improve the dependence on problem-dependent constant κ, we introduce our second algorithm, UCB-CCA+, which leverages a new Bernstein-type concentration result. This algorithm achieves O(d√T) without dependence on κ in the leading term. We substantiate our theoretical claims with numerical experiments, demonstrating the practical efficacy of our proposed methods.

유튜브 스트리밍 예정입니다.

1. 일시: 2024년 3월 19일(화), 14:00~16:00

2. 장소: 판교 테크노밸리 산업수학혁신센터 세미나실

   • 경기 성남시 수정구 대왕판교로 815, 기업지원허브 231호 국가수리과학연구소
   • 무료주차는 2시간 지원됩니다.

3. 발표자: 임성빈 교수(고려대학교)

4. 주요내용: Recent Advances in Score-based Generative Models

Diffusion models have recently acquired significant attention in the field of generative modeling of machine learning research due to their various theoretical advantages and remarkable applications in artificial intelligence, such as Stable Diffusion and DALL-E. In this presentation, we first introduce the theoretical background of the diffusion models and score-based diffusion models and present the latest results of their applications to machine learning. We also present advanced score-based generative models based on the time reversal theory of diffusion processes in Hilbert space.

*유튜브 스트리밍 예정입니다.

1. 일시: 2024.3.14.(목), 14:00~16:00

2. 장소: 판교 테크노밸리 산업수학혁신센터 세미나실

   • 경기 성남시 수정구 대왕판교로 815, 기업지원허브 231호 국가수리과학연구소
   • 무료주차는 2시간 지원됩니다.

3. 발표자: 유재준 교수(UNIST)

4. 주요내용: How to Tame Your Large Generative Models

In today's landscape, where large generative models thrive on extensive datasets and significant computational power, finding scalable, efficient, and privacy-preserving training techniques is of utmost importance. Moreover, as deep generative models achieve new levels of maturity and current evaluation metrics become insufficient, there's a pressing need for more robust and insightful evaluation metrics. These metrics should not only offer clearer guidance for enhancements but also pave the way for innovative approaches in the generative domain. In this seminar, I will present the latest research from our laboratory that tackles these critical issues.

*유튜브 스트리밍 예정입니다.

1. 일시: 2024.3.7.(목), 14:00~16:00

2. 장소: 판교 테크노밸리 산업수학혁신센터 세미나실

   • 경기 성남시 수정구 대왕판교로 815, 기업지원허브 231호 국가수리과학연구소
   • 무료주차는 2시간 지원됩니다.

3. 발표자: 이지형 교수(성균관대학교)

4. 주요내용: Language Models and Code Intelligence

자연어처리를 위한 대규모언어모델이 개발되고 활용됨과 더불어 프로그램코드 처리를 위한 대규모언어모델이 많이 활용되고 있다. 프로그램코드는 자연어와 마찬가지로 순차적데이터로 기존의 자연어를 위한 대규모모델을 그대로 활용할 수 있다. 그러나, 프로그램코드는 순차적데이터이고도 하지만, 여러가지 측면에서 자연어와는 다른 특성을 갖고 있다. 우선 엄격한 문법을 따르고 있다는 것과 의미적 모호성이 없고, 프로그램코드의 생성의 경우 입력에 대하여 정확한 생성인지 아닌지에 대한 명확한 기준이 존재한다는 것이다. 이러한 특성으로 자연어 처리와 다른 여러가지 처리 방식이 개발되고 있다. 본 세미나에서는 자연어와 프로그램코드의 차이, 프로그램코드 처리를 위한 언어모델과 최근 관심을 받고 있는 연구주제에 대해서 소개한다.

*유튜브 스트리밍 예정입니다.

1. 일시: 2024년 2월 27일(화), 10:30 - 12:30
2. 장소: 판교 테크노밸리 산업수학혁신센터 세미나실
   • 경기 성남시 수정구 대왕판교로 815, 기업지원허브 231호 국가수리과학연구소
   • 무료주차는 2시간 지원됩니다.
3. 발표자: 이해성 교수(국립금오공과대학교 수리빅데이터학과)
4. 주요내용: Introduction to stochastic differential equations

Stochastic differential equations (SDEs) are widely used in finance, physics, and engineering and have recently played an important role in image generation through artificial intelligence. In this seminar, we will learn the basic concepts of SDEs. In particular, we will define stochastic integrals based on Brownian motions and martingales, and use the Itô formula to compute solutions to several SDEs. Furthermore, we will derive semigroups through the Markov property of solutions to SDEs and investigate invariant measures for the semigroups. Finally, we will explore the relation between partial differential equations (PDEs) and SDEs and study the recent theory for constructing a solution to the SDE from a partial differential operator.

*현장 강연으로만 진행됩니다.