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/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: 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: 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: 2024.2.22.(목), 14:00~16:00

2. 장소: 판교 테크노밸리 산업수학혁신센터 세미나실

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

3. 발표자: 예종철 교수(카이스트)

4. 주요내용: ENLARGING THE CAPABILITY OF DIFFUSION INVERSE SOLVERS BY GUIDANCE

The recent advent of diffusion models has led to significant progress in solving inverse problems, leveraging these models as effective generative priors. Nonetheless, challenges related to the ill-posed nature of such problems remain, such as 3D extension and overcoming inherent ambiguities in measurements. In this talk, we introduce strategies to address these issues. First, to enable 3D extension using only 2D diffusion models, we propose a novel approach using two perpendicular pre-trained 2D diffusion models which guides each solver to solve the 3D inverse problem. Specifically, by modeling the 3D data distribution as a product of 2D distributions sliced in different directions, our method effectively addresses the curse of dimensionality from the image guidance from the perpendicular direction. Second, drawing inspiration from the human ability to resolve visual ambiguities through perceptual biases, we introduce a novel latent diffusion inverse solver by incorporating guidance by text prompts. Specifically, our method applies the textual deion of the preconception of the solution during the reverse sampling phase, of which deion is dynamically reinforced through null-text optimization for adaptive negation. Our comprehensive experimental results show that our method successfully mitigates ambiguity in latent diffusion inverse solvers, enhancing their effectiveness and accuracy.

*유튜브 스트리밍 예정입니다.

1. 일시:❍ 2024.2.1.(목), 14:00~16:00

2. 장소: 판교 테크노밸리 산업수학혁신센터 세미나실

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

3. 발표자: 김경훈 대표(코어닷투데이)

4. 주요내용: Next Normal - Humans and AI Collaborate: Toron AI and AI Perfumer

최근 인공지능(AI) 기술의 발전은 기존에 상상조차 하지 못했던 창의적이고 혁신적인 가능성을 제시하고 있습니다. 특히 생성형 AI는 텍스트, 이미지, 시계열 등 다양한 데이터 분야에서 인간과 유사한 창조력을 발휘하며 놀라운 성과를 이루고 있습니다. 이러한 맥락에서, 본 강연은 두 개의 발전된 AI 시스템, 토론 AI 김컴재와 AI 조향사 센트리아를 중심으로, 생성형 AI의 현재 상황과 미래에 대해 논의하며, 다음의 두 가지 사항을 고려합니다. 첫째, 토론 AI 김컴재와 AI 조향사 센트리아의 대화와 토론을 통해 생성형 AI가 우리 사회와 산업에 미치는 영향과 가능성을 탐색합니다. 이를 통해 생성형 AI의 기술적 진보와 그로 인해 생겨난 새로운 기회를 이해합니다. 둘째, 생성형 AI의 윤리적, 사회적 측면에 대해 조명합니다. 무엇보다 생성형 AI의 발전이 미치는 영향과 이에 대한 사회적 대응은 무엇보다 중요한 논의 주제입니다. 이를 통해 생성형 AI의 위험과 제약사항, 그리고 이를 극복하기 위한 방안을 탐색합니다. 본 강연은 생성형 AI의 미래를 선도할 기술적 혁신과 사회적 대응 방안을 고민해 보고, 유익한 통찰과 함께 뜻깊은 논의의 기회를 제공합니다.

*유튜브 스트리밍 예정입니다.

1. 일시: 2023년 12월 14일(목), 14:00-16:00

2. 장소: 판교 테크노밸리 산업수학혁신센터 세미나실

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

3. 발표자: 현윤석(인하대학교)

4. 주요내용: Siamese Networks in Computer Vision

   In the realm of computer vision, the Siamese network has emerged as a powerful paradigm, revolutionizing image processing and analysis. The primary objective of a Siamese network is to learn a similarity metric between pairs of input samples. The Siamese architecture, characterized by its unique structure of shared weights between twin networks, has proven to be highly effective in tasks such as image similarity, object tracking, depth estimation, and facial recognition. Recently, in the context of self-supervised learning in computer vision, Siamese networks are often employed to train models without relying on traditional labeled datasets. Instead, they exploit the inherent structure or relationships within the data to learn meaningful representations. This seminar delves into the intricacies of Siamese networks and explores their application in various computer vision tasks, including recent works on self-supervised representation learning and other interesting topics.

*유튜브 스트리밍 예정입니다.

1. 일시: 2023년 11월 16일(목), 14:00-16:00

2. 장소: 판교 테크노밸리 산업수학혁신센터 세미나실

3. 경기 성남시 수정구 대왕판교로 815, 기업지원허브 231호 국가수리과학연구소 [무료주차는 2시간 지원됩니다.]

4. 발표자: 현동훈 교수 (서울대학교)

5. 주요내용: 3D AI Vision and Mathematics

   본 강연에서는 AI가 시각데이터를 처리하는 과정에 쓰이는 다양한 테크닉과 그 배경의 수학 이론에 대하여 설명을 하겠습니다. 로봇이나 자율 주행 등에서 AI가 현실 세계와 상호작용을 하기 위해서는 시각 데이터를 수집하고 이를 3D로 정확하게 스케일까지 이해하는 것이 필요한데, 이러한 3D 비젼의 기본적인 수학 이론, 특히 사영기하학 (projective geometry)을 이용한 이론 체계 및 계산 방법에 대하여 설명하고, 왜곡 교정 및 영상 분석 등 우리 생활에 두루 쓰이는 기본적인 응용에 대하여 소개하기로 합니다. 좀 더 고도의 대수기하학은 3D 영상 재구성의 이론과 실제 계산의 양 영역에서 중요한 역할을 하는데, 특히 epipolar 기하학 및 Nister의 5점 알고리즘에 대하여 설명하겠습니다. 최근에는 딥러닝의 3D 영상 재구성의 여러 요소에 쓰이기 시작하였고, 생성형 AI를 통한 3D 영상도 크게 주목 받고 있습니다. 이 중, 로봇의 움직임 등 수많은 응용의 기초가 되는 점구름 짜깁기(point cloud registration)에 대하여 설명하고, 최근 크게 주목을 받고 있는 생성형 3D 비젼 AI인 Neural Radiance Field 기법에 대하여 소개하겠습니다.

*현장 강의로만 진행됩니다.

1. 일시: 2023년 11월 9일(목), 14:00-16:00

2. 장소: 판교 테크노밸리 산업수학혁신센터 세미나실

3. 경기 성남시 수정구 대왕판교로 815, 기업지원허브 231호 국가수리과학연구소 [무료주차는 2시간 지원됩니다.]

4. 발표자: 김남국 교수 (서울아산병원)

5. 주요내용: Generative AI and its application in medical imaging

   대규모언어모델(Large-scale Language Model; LLM)을 통한 생성인공지능분야의 혁신이 학계, 언론, 대중의 관심을 끌고 있습니다. OpenAI가 일반인공지능(Artificial General Intelligence;AGI)를 내놓고, 이를 촉매로 많은 경쟁조직들이 그동안 연구해 놓았던 것을 경쟁적으로 공개하고 있습니다. 이는 2017년에 Google 연구진에 의해서 제안된 소위 트랜스포머1라는 기술에 기반하고 있습니다. 최근 chatGPT와 GPT4가 일반에게 충격을 주고 있지만, GPT 뿐 아니라 다양한 GPT, BERT, Chinchilla, Gopher, Bloom, MT-NLG, PaLM, LaMDA 모델 등이 공개되고 테스트할 수 있습니다. 소설을 쓰고, 데이터 처리, 시각화를 위한 컴퓨터 프로그램을 작성하고, 외국어를 번역하고, 미래를 추측할 수 있는 이러한 일반화된 대규모언어모델의 능력은 인류에게 처음으로 일반인공지능에 접근하고 있다는 생각을 들게 했습니다.2 특히, 대규모언어모델이 인간이 작성한 문장을 고도의 추상적 레벨에서 해석하고, 이를 잠재공간에 mapping 할수 있다는 뜻이 되기 때문에, 이에 따라서 다양한 의료응용이 가능할 것으로 사료됩니다. 대규모언어모델은 의료 진단, 치료 및 임상/의학연구의 효율성을 개선하여 의료 및 의료 산업을 혁신할 수 있는 잠재력을 가지고 있습니다.3-8 하지만, 대규모언어모델은 언어로만 만들어서 환각이 강화되거나, 현실과 관계를 맺지 않아서 사실에 대한 개념이 없다는 점, 의학이 발전하기 때문에, 이를 맞추어 연속학습(continual learning)기반의 fine-tuning이 필요 등 다양한 한계도 가지고 있습니다. 최근에 이런 문제를 해결하기 위해서 시각이나 비디오를 같이 학습하는 대규모멀티모달모델(Large-scale Multimodal Model; LMM)이 나오고 있고, 괄목할만한 성장을 하고 있습니다. 반대로, 대규모언어모델을 이용한 프로그램은 전문가 수준은 아직 아니지만, 프로그램에 익숙하지 않은 임상 의사나 초급 개발자들에게는 협력 개발자나 좋은 tutor가 될수 있는 수준이라고 생각합니다. 이를 잘 활용하면, 기존처럼 도메인지식을 가장 잘 알고 있는 의사가 의료인공지능 연구 및 개발에 소외되고 단순 레이블러나, 평가자만 되는 상황에서 벋어나서, 의료인공지능 연구 개발의 주체가 될수 있을것으로 사료됩니다. 또한, 실제 임상 진료에서 LMM 등이 활발하게 적용될것이라 생각되고 사례를 살펴보겠습니다.

*유튜브 스트리밍 예정입니다.

1. 일시: 2023년 9월 21일(목), 14:00-16:00

2. 장소: 판교 테크노밸리 산업수학혁신센터 세미나실

3. 경기 성남시 수정구 대왕판교로 815, 기업지원허브 231호 국가수리과학연구소 [무료주차는 2시간 지원됩니다.]

4. 발표자: 권도현 교수(서울시립대학교)

5. 주요내용: Applications of Optimal Transport to Generative Models

Over the past few decades, optimal transport theory has gained increasing interest across multiple fields, including partial differential equations, probability, and machine learning. In this talk, we explore the diverse applications of optimal transport theory within various machine learning problems, with a specific focus on generative models. Our discussion begins by examining gradient flows in the space of probability measures equipped with the distance arising from the Monge-Kantorovich optimal transport problem. We then analyze a score-based generative model based on the Fokker-Planck equations that underlie both the forward and reverse processes of the model. Additional discussions about De Giorgi's minimizing ments and Wasserstein dictionary learning will be provided.

*유튜브 스트리밍 예정입니다.