Vision and Topics

Vision

Unifying Graph & Language Intelligence toward knowledge-driven AI, enabling human-like reasoning for the future of AGI.

We aim to overcome the limitations of conventional deep learning by unifying Graph Intelligence and Language Intelligence — structuring real-world data through graphs and capturing human language insight through language models.

Approaches

Graph Intelligence (그래프 표현학습)

  • •Graph Neural Networks for Node, Edge, and Graph-level Representation
  • •Knowledge Graph Completion, Validation, and Construction
  • •Context-Aware Relational Learning on Heterogeneous/Dynamic Graphs

Graph Intelligence는 노드, 엣지, 서브그래프 등 다양한 레벨에서 복잡한 관계와 구조를 표현하고 분석합니다. 이를 위해, 그래프 신경망(GNN), 지식그래프 임베딩 등 딥러닝 기반 그래프 표현학습 방법론을 심층 탐구합니다.

Language Intelligence (대형 언어모델)

  • •Knowledge Integration and Reasoning Capabilities of LLM Agents
  • •Knowledge & LLM Distillation for Lightweight, Efficient Intelligence
  • •Advanced Prompt Engineering: Chain-of-Thought (CoT), and Retrieval-Augmented Generation (RAG)

Language Intelligence는 대규모 텍스트로부터 언어의 의미와 맥락을 깊이 이해하고, 일관된 추론과 생성을 가능하게 합니다. 이를 위해, 멀티모달·지식 증강 파운데이션 모델과 CoT, RAG 등 고급 프롬프트 전략을 연구합니다.

Graph-Language Fusion (그래프·언어모델 통합)

  • •Text-to-Graph and Graph-to-Text Generation
  • •Graph-Structured Interaction for LLMs: GraphRAG and Graph-Driven Agents
  • •Knowledge-Grounded and Context-Aware Response Generation

Graph-Language Fusion은 그래프의 구조적 지식과 언어모델의 생성·추론 능력을 결합하여, 더 신뢰할 수 있는 AI를 구현합니다. 이를 위해, GraphRAG, Graph-driven Agent 등 그래프 구조를 활용한 LLM 상호작용과 지식 기반 응답 생성 방법론을 연구합니다.

Graph-based AI (Part 1)Graph-based AI (Part 2)

Applications

Graph-Centric AI (그래프 분석·예측)

  • •Node and Graph Classification, Link Prediction, and Graph Generation
  • •Knowledge Graph Construction and Quality Assurance
  • •Predictive Analytics and Intelligent Monitoring on Graph-Structured Data

노드·링크·그래프 수준의 분류와 예측을 통해 복잡한 네트워크 데이터를 실제 문제에 적용합니다. 지식그래프 구축·검증·확장 및 다양한 딥러닝 모델과의 통합을 통해 관계 기반 의사결정을 지원합니다.

Language-Centric AI (자연어처리)

  • •Question Answering, Information Retrieval, and Extraction
  • •Document Analysis: Sentiment, Opinion, Topic, NER, and Summarization
  • •LLM-Driven Insight Discovery and Automated Decision Making

질의응답, 정보 검색·추출, 문서 분석 등 핵심 자연어처리 태스크를 다양한 도메인에 적용합니다. LLM의 환각을 줄이고 근거 있는 응답을 생성하기 위한 지식 증강 및 모델 경량화 기법을 함께 탐구합니다.

Recommender Systems (추천시스템)

  • •Learned Representations and Encoders for Retrieval and Personalization
  • •Knowledge-enhanced and Explainable Recommendations
  • •Multimodal and Conversational Recommendations

사용자–아이템-지식 그래프를 확장해 사용자의 의도와 맥락을 반영하여 설명 가능하고 정확한 추천을 구현합니다. 멀티모달 정보와 대화형 인터페이스를 활용해 사용자 선호를 보다 깊이 이해하는 추천 시스템을 연구합니다.

Anomaly Detection (이상탐지)

  • •Network and Graph-based Anomaly Detection
  • •User Behavior Modeling and Profiling for Anomaly Identification
  • •Multimodal Anomaly Detection

네트워크 구조, 사용자 행동, 멀티모달 데이터 등 다양한 소스를 활용하여 이상 패턴을 탐지합니다. 행위 간 상관관계와 맥락 정보를 반영함으로써 기존 방법으로는 포착하기 어려운 복합적 이상을 식별합니다.