강유 교수 연구진이 실세계 데이터 분석 및 예측을 정확하고 효과적으로 수행하는 기법들을 개발하였다. 해당 기법들은 시간적 특성을 갖는 데이터에 맞게 설계되었으며, 각 데이터의 성격 및 특성에 따라 최적화되었다.

연구진의 이번 성과는 시계열 데이터, 텐서 데이터, 주가 데이터, 지식 그래프 등 다양한 데이터에 대한 분석 및 예측에 범용적으로 쓰이는 핵심 기술로, 앞으로 다양한 AI 응용에 활용될 것으로 예상된다.

• 데이터 분석에 널리 쓰이는 푸리에 변환(Fourier Transform)의 일부 계수를 신속.정확히 구하는 기술인 PFT(Partial Fourier Transform) 개발
  “Fast and Accurate Partial Fourier Transform for Time Series Data.”, Yong-chan Park, Jun-Gi Jang, and U Kang.

• 고차원 텐서 데이터의 특정 시간대 패턴을 터커 분해(Tucker decomposition)를 통해 효율적으로 구하는 기술인 Zoom-Tucker(Zoomable Tucker decomposition) 개발
  “Fast and Memory-Efficient Tucker decomposition for Answering Diverse Time Range Queries”, Jun-Gi Jang and U Kang.

• 주식 종목간 상관관계를 학습함으로써 주가 움직임을 정확히 예측하는 모델인 DTML(Data-Axis Transformer with Multi-Level Contexts) 개발
  “Accurate Multivariate Stock Movement Prediction via Data-Axis Transformer with Multi-Level Contexts.”, Jaemin Yoo, Yejun Soun, Yong-chan Park, and U Kang.

• 지식 그래프에서 시간 정보를 고려한 그래프 뉴럴 네트워크를 학습함으로써 지식 그래프 추론을 정확하게 수행하는 모델인 T-GAP(Temporal GNN with Attention Propagation) 개발
  “Learning to Walk across Time for Interpretable Temporal Knowledge Graph Completion.”, Jaehun Jung, Jinhong Jung, and U Kang.

위 논문 4편은 오는 8월 빅데이터 및 인공지능 분야 최우수 학회인 The 27th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD 2021)에 발표될 예정인데, 한 연구실에서 KDD에 4편을 발표하는 것은 매우 이례적인 성과이다.