Loading...

학술행사

  >   학술행사   >  

Speakers
세션 1: Graph Neural Network (고려대학교 컴퓨터학과 김현우 교수)
고려대학교 정보대학 컴퓨터학과 조교수 (2019 ~)
Amazon Lab126, Applied Scientist (2017 ~ 2019)
University of Wisconsin-Madison, 컴퓨터과학 이학박사 (2017)
그래프 인공신경망(GNN)은 그래프 분석을 위해 특화된 인공신경망 구조로 다양한 분야에 활용되고 있으며, 비유클리드 공간 상에 존재하는 데이터를 효과적으로 다루기 위해 CNN, 트랜스포머 등을 그래프 상에서 재해석하는 새로운 모델이 제안되고 있다. 이 강연에서는 GNN의 기초적인 모델을 포함하여 최신 모델의 장점과 한계점을 논의하고, 그래프 데이터를 다루기 위한 딥러닝 모델 구현 실습과 다양한 응용을 소개한다.
 

세션 2: GNN을 활용한 추천 시스템 (연세대학교 수학계산학부(계산과학공학) 신원용 교수)
연세대학교 계산과학공학과 부교수/교수 (2019 ~)
단국대학교 컴퓨터학과 조교수/부교수 (2012 ~ 2019)
Harvard University Postdoctoral Fellow/Research Associate (2009 ~ 2012)
KAIST 전자전산학과 공학박사 (2008)
온라인 서비스의 확장으로 큰 주목을 받고 있는 추천 시스템 중 사용자와 아이템 간 연결 관계를 활용한 그래프 신경망 기반 협업 필터링 기술이 높은 정확도와 함께 주목을 받고 있다. 이 강연에서는 그래프 인공신경망을 활용한 SOTA(state-of-the-art) 추천 시스템 기술의 개요를 설명하고 모델 최적화 방안을 다룬다. 또한 현재 그래프 인공신경망 기반 추천 시스템의 실제적인 챌린지에 대해 논의하고 이를 해결하기 위한 부호 인지 그래프 생성 기반의 새로운 그래프 인공신경망을 활용하는 추천 시스템을 소개한다.
 

세션 3: Neural ODE and Score-based Generative Model (연세대학교 컴퓨터과학과/인공지능학과 박노성 교수)
연세대학교 컴퓨터과학과/인공지능학과 조교수 (2020 ~)

George Mason University, Information Sciences and Technology and Center for Secure Information Systems, 조교수(2018  ~ 2020)
University of North Carolina at Charlotte, Software and Information Systems, 조교수 (2016 ~ 2018)
University of Maryland, 컴퓨터과학 박사 (2016)
Neural ODE continuous-depth 모델을 설계하는데 주요한 개념으로 2018년 첫 소개 이후 광범위하게 활용되고 있다. Neural ODE의 핵심 개념과 adjoint sensitivity training method continuous normalizing flow를 설명하고 Neural ODE를 활용한 추천 알고리즘, 시계열 예측 등 최신 연구를 예제 코드와 함께 소개한다. 스코어 기반 생성모델은 뛰어난 sampling quality diversity를 보이고 있는 모델이다. 생성 과정을 확률미분방정식으로 모델링하는 과정과 denoising score matching에 대한 기본 개념과 다양한 샘플링 방법, 그리고 테이블 합성 분야에서 최고 성능을 보이고 있는 최신 연구를 소개한다.
 

세션 4: Diffusion Probabilistic Models and Text-to-Image Generative Models (서울대학교 수리과학부 류경석 교수)
서울대학교 수리과학부 조교수 (2020 ~)
University of California, Los Angeles, Department of Mathematics, 겸임조교수 (2016 ~ 2019)
Stanford University, Computational and Mathematical Engineering 박사 (2016)
This tutorial overviews the recent development of diffusion probabilistic models and text-to-image generative models. We start with the theory of diffusion probabilistic models based on stochastic differential equations and then move on to conditional generation. We conclude with the recent text-conditioned diffusion models such as DALLE-2 and Stable Diffusion.