[최승문 교수] 오래된 과학 전시물의 신체적 및 체험적 상호작용을 통한 지속적 사용과 학습 효과 향상

[연구의 필요성] 현대의 학습 환경에서는 단순한 시청각적 정보 제공을 넘어, 신체적 체험을 활용한 체화 학습(Embodied Learning)이 학습자의 이해도를 높이는 데 중요한 역할을 하고 있다. 그러나 비형식적 학습 환경은 방문객의 주의 지속 및 학습 통제가 어려워 신체적 인터랙션을 효과적으로 활용하지 못하거나, 학습자의 몰입도가 저하되는 실질적 한계를 지닌다. 본 연구는 비형식적 학습 환경에서 신체 추적 및 증강 현실 기술을 활용한 학습 방식이 오래된 과학 전시물과의 상호작용 및 학습 과정에 미치는 영향을 체계적으로 분석하여 효과적인 교육 설계를 위한 과학적 근거를 제공하고자 한다. [포스텍이 가진 고유의 기술] 본 연구에서는 실제 과학관 방문객 및 전문가들과의 협업을 통해 신체적 움직임에 따른 증강 현실 피드백을 이용하여 오래된 과학 전시물을 증강하는 학습 시스템을 개발하였으며, 이를 통해 사용자의 몰입도와 학습 효과를 향상시키는 방법을 제안하였다. 또한 방문객과 전시물의 상호작용이 전시물 사용과 학습에 미치는 영향을 다각적으로 평가할 수 있도록 통제 실험과 관찰 실험을 모두 수행하고, 이를 통해 단순한 시청각 정보 제공 방식과 비교하여 신체적 개입이 학습 경험을 어떻게 변화시키는지 정량/정성적으로 분석하였다. [연구의 의미] 본 연구는 비형식적 학습 환경에서 몸을 활용한 학습이 기존 과학 전시물의 단순한 정보 전달 방식보다 학습자의 개념적 이해, 몰입, 즐거움에 긍정적인 영향을 미친다는 점을 실험적으로 검증하였다. 실험 결과, 단순한 움직임이 아니라 학습 목표와 직접적으로 연관된 동작을 유도해야 학습 효과가 극대화되며, 사용자가 학습 과정에서 높은 집중도를 유지할 수 있도록 시각적, 촉각적 피드백을 조화롭게 설계해야 한다. 이러한 연구 결과는 체화 학습 환경을 설계를 위한 실질적인 가이드라인을 제공하며, 향후 체화 기반 학습 시스템 개발 및 평가에 중요한 참고자료가 될 수 있다. [연구결과의 진행 상태 및 향후 계획] 본 연구에서는 피험자의 연령대 별로 실험 결과를 분석하였으나, 향후 연구에서는 학습자의 개인별 차이를 보다 정밀하게 분석하여, 맞춤형 신체 학습 시스템을 개발할 수 있다. 또한, 다양한 학습 분야로 확장하여, 과학, 예술, 스포츠 훈련 등에서 신체 학습 기법이 어떻게 최적화될 수 있는지를 탐구할 수 있다. 마지막으로, 장기적인 학습 효과를 추적하기 위한 후속 연구를 진행하여, 신체적 학습이 지속적인 학습 성과 향상에 기여하는지를 조사해볼 수 있다. [성과와 관련된 실적] 국제 학술지 논문: Dajin Lee, Daehyeon Nam, and Seungmoon Choi, “Augmenting Outdated Museum Exhibits with Embodied and Tangible Interactions for Prolonged Use and Learning Enhancement,” International Journal of Human-Computer Studies (IJHCS), 2025. [성과와 관련된 이미지] [그림 1] 오래된 과학 전시물과의 신체적 상호작용을 유도하는 증강 시스템. [그림 2] (a) 기존 과학 전시물과 증강된 과학 전시물의 학습 효과 비교. (b) 증강된 과학 전시물 내에서 특정 단계 수행 여부에 따른 몰입도 비교.

[최승문 교수] 효과적인 방향 지시를 위한 공간적 청각과 촉각 자극의 지각적 정렬

[연구의 필요성] 공간적 청각과 촉각 단서는 타겟 위치 파악 및 충돌 회피에 중요하며, 특히 시각 정보가 부족하거나 인지 부하가 높은 상황에서 필수적이다. 그러나 기존 연구에서는 두 감각 단서가 공간적으로 정렬되지 않으면 성능이 저하될 수 있어 청각 및 촉각 간의 정렬이 필요하다는 점만 강조되었을 뿐, 실질적으로 허용 가능한 오차 범위에 대한 정량적 연구는 부족했다. 따라서 본 연구는 청각과 촉각 간 방향 차이에 대한 지각적 역치를 측정하고, 이 범위 내에서의 공간적 정렬이 위험 회피 성능에 미치는 영향을 평가함으로써 보다 효과적인 공간 청각-촉각 시스템을 설계하는 데 기여하고자 한다. [포스텍이 가진 고유의 기술] 본 연구는 실환경 스피커 기반 실험과 가상 공간 음향을 활용한 실험을 병행하여, 청각과 촉각 자극 간의 공간적 차이에 대한 지각적 한계를 정량적으로 분석하였다. 또한, 기존의 촉각 장치가 공간 분해능이 낮거나 물리적 크기와 비용 문제로 인해 제한이 있었던 반면, 본 연구에서는 최소한의 촉각 액추에이터를 활용하면서도 효과적인 방향성 신호를 제공할 수 있는 최적의 배치 방법을 제안하였다. 특히, 가상 현실(VR) 및 증강 현실(AR) 환경에서도 적용 가능한 공간적 정렬 기준을 수립함으로써, 향후 다양한 인터페이스 설계에 활용될 수 있도록 하였다. [연구의 의미] 본 연구는 청각 및 촉각 신호의 정렬이 완벽하지 않더라도, 지각적 역치 내에서 허용 가능한 수준이라면 위험 회피 성능이 유지될 수 있음을 실험적으로 입증하였다. 이를 통해, 공간 음향과 촉각 피드백을 결합할 때 반드시 완벽한 정렬이 필요하지 않으며, 특정 범위 내에서의 유연한 통합이 가능함을 시사한다. 또한, 촉각 액추에이터의 수를 최소화하면서도 충분한 공간적 정보 전달이 가능함을 보여주어, 향후 웨어러블 촉각 장치의 크기와 비용을 줄이면서도 높은 성능을 유지하는 방향으로 설계할 수 있는 가능성을 열었다. [연구결과의 진행 상태 및 향후 계획] 향후 연구에서는 본 연구에서 측정한 지각적 역치가 실제 가상 현실 시스템에서 어떻게 적용될 수 있는지 추가적인 검증이 필요하다. 특히, 본 연구에서는 주로 수평면에서의 정렬을 다루었으나, 향후 연구에서는 수직적 정렬 및 3D 공간 내에서의 인지적 한계를 분석하여 더욱 정교한 청각-촉각 통합 시스템을 개발할 필요가 있다. 또한, 개인별 감각 차이와 같은 사용자 맞춤형 피드백을 제공하는 방안을 연구하여, 보다 다양한 사용자들에게 최적화된 공간 청각-촉각 인터페이스를 제공할 수 있도록 확장할 계획이다. [성과와 관련된 실적] 국제 학술지 논문: Dajin Lee and Seungmoon Choi, “Perceptual Alignment of Spatial Auditory and Tactile Stimuli for Effective Directional Cueing,” IEEE Transactions on Visualization and Computer Graphics (TVCG), 2025 (Also presented in the 2025 IEEE Conference on Virtual Reality and 3D User Interfaces). [성과와 관련된 이미지] [그림 1] 청각과 촉각 자극의 방향 차이 역치 측정 결과를 활용한 다중감각 방향 지시 효과. [그림 2] 청각과 촉각 자극의 방향 차이의 지각적 역치 측정 결과.

[유환조 교수] Controlling Diversity at Inference: Guiding Diffusion Recommender Models with Targeted Category Preferences

[연구의 필요성] 추천 시스템은 사용자의 과거 행동과 아이템의 특성을 기반으로 맞춤형 추천을 제공한다. 그러나 추천시스템이 정확성에만 초점을 맞추면 인기 있는 아이템이나 카테고리에 치우쳐 필터 버블 현상을 초래한다. 이는 장기적으로 사용자 만족도를 저하시키고 아이템의 다양성을 감소시키기 때문에, 다양성을 제어하는 것은 필수적이다. [포스텍이 가진 고유의 기술] 기존 연구들은 모델 학습시에 추천되는 다양성의 강도가 결정되거나, 추론시에 주어진 다양성의 강도에 맞게 최적화 문제를 풀어야했음. 본 연구팀은 Diffusion Model을 활용하여, 추론(Inference) 단계에서 사용자의 일시적인 선호도나 비즈니스 전략에 따라 다양성을 조절할 수 있는 유연한 방법론을 개발함. [연구의 의미] 이 연구는 추천 시스템에서 다양성 제어의 새로운 패러다임을 제시하였음. 특히, 추론 단계에서 사용자의 일시적인 선호도나 비즈니스 전략에 따라 다양성을 조절할 수 있는 유연성을 제공함으로써, 필터 버블 문제를 완화하고 사용자 만족도를 향상시킬 수 있음. [연구결과의 진행 상태 및 향후 계획] 현재 KDD’25에 게재승인(Accept)된 상태이며, 올해 8월에 학회에서 발표할 예정임. [성과와 관련된 실적] ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD ’25)에 채택됨. 데이터마이닝 분야에서 가장 권위있는 학회로, BK 최우수 국제학술대회이며 Google scholar가준 Data Mining 분야 전체 1위임. [성과와 관련된 이미지]

[옥정슬 교수] Active Label Correction for Semantic Segmentation with Foundation Models

[연구의 필요성] 픽셀 단위 레이블링은 비용이 높고 오류가 많아, 기존 방법들은 초기 데이터가 없거나 기초 모델의 예측 오류로 인해 신뢰도가 낮은 한계가 있다. 따라서, 데이터를 효율적으로 정제할 수 있는 능동적 라벨 교정이 필요하다. [포스텍이 가진 고유의 기술] 우리는 기초 모델을 활용한 능동적 라벨 교정 프레임워크를 개발했다. 이 방법은 필요할 때만 레이블을 수정하는 교정 쿼리를 통해 비용을 절감하고, 개별 픽셀 수정이 아니라 슈퍼픽셀 단위로 확장하여 보다 효율적인 데이터 정제가 가능하다. 또한, 수정된 레이블이 전체 데이터에 미치는 영향을 고려해 최적의 샘플을 선택하는 미리보기 선택 함수를 적용했다. [연구의 의미] 이 연구를 통해 라벨링 비용을 50~67% 절감하면서도 데이터 정제 성능을 향상시킬 수 있음을 입증했다. 특히, 정제된 PASCAL+ 데이터셋을 공개하여 벤치마크 연구에 기여할 수 있으며, 의료 영상과 같이 정확한 레이블이 중요한 도메인에서도 활용 가능성이 높다. [연구결과의 진행 상태 및 향후 계획] 본 연구는 ML 분야 최고 수준 학회인 ICML 2024에 accept 되어 발표를 진행함. [성과와 관련된 실적] 본 연구는 ML 분야 최고 수준 학회인 ICML 2024에 accept 되어 발표를 진행함. https://cskhy16.github.io/alc/ [성과와 관련된 이미지]

[옥정슬 교수] Breadth-First Exploration on Adaptive Grid for Reinforcement Learning

[연구의 필요성] 강화학습에서 에이전트가 희소한 보상 환경(sparse reward environment)에서 효율적으로 탐색하는 것은 여전히 해결되지 않은 핵심 과제임. 특히 복잡한 연속 상태공간에서는 기존의 탐색 기법들이 효율적인 학습을 이끌어내기 어렵다는 한계가 존재함. [포스텍이 가진 고유의 기술] 주어진 상태 공간을 정적으로 분할한 grid 위에서 탐험 경험을 기반으로 동적으로 refinement를 진행하는 폭 우선 탐색(Breadth-First Exploration)을 수행하는 새로운 프레임워크를 제안함. 제안한 기술은 grid 구조에서 경험을 계층적으로 축정하여, 학습 초기 단계에서 넓은 영역을 빠르게 탐색하고, 정밀한 탐색이 필요한 경우에 집중적으로 탐색을 진행함. [연구의 의미] 기존 대부분의 탐색 기법이 랜덤성에 의존하였다면, 본 연구는 학습 초기단계에서의 체계적인 탐색에 집중하여 sparse reward 환경에서도 빠르게 유의미한 경험을 수집할 수 있음을 보였음. 또한 이 프레임워크를 복잡한 robot manipulation 및 navigation 환경에서 기존 기법보다 우수한 성능을 검증함. [연구결과의 진행 상태 및 향후 계획] 본 연구는 ML 분야 최고 수준 학회인 ICML 2024에 accept 되어 발표를 진행함. [성과와 관련된 실적] 본 연구는 ML 분야 최고 수준 학회인 ICML 2024에 accept 되어 발표를 진행함. https://youngsikyoon.github.io/BEAG/ [성과와 관련된 이미지]

[옥정슬 교수] Bridging the Gap between Expert and Language Models: Concept-guided Chess Commentary Generation and Evaluation

[연구의 필요성] 체스, 바둑 등의 분야에서 전문가 모델의 실력이 사람보다 월등히 높지만, 그 지식을 사람에게 효율적으로 전달하는 부분은 충분한 연구가 되어 있지 않음. [포스텍이 가진 고유의 기술] 전문가 모델의 decision 능력과 거대 언어 모델(LLM)의 설명 능력을 함께 활용하여 해설을 생성하는 방법과 이를 평가하는 방법을 제안함. 이를 위해 전문가 모델에서 concept vector들을 활용하여 decision-making process를 추론하는 방법과, 이를 활용한 LLM 해설 생성 방법을 제안함. [연구의 의미] 체스, 바둑 등의 분야에서 해설은 전통적으로 전문가의 지식을 초보자들에게 전달하기 위한 수단으로 활용되어 왔음. 이와 같은 형태의 지식 전달 방식을 neural network 기반의 전문가 모델과 사람 사이의 지식 전달을 위한 수단으로도 사용할 수 있음을 보였음. 또한 머신 러닝 비전문가 입장에서 직관적으로 이해하기 힘든 형태의 설명을 LLM을 사용하여 이해하기 쉬운 형태로 변환할 수 있다는 점에서 다양한 분야에 활용할 수 있음. [연구결과의 진행 상태 및 향후 계획] 본 연구는 NLP 분야 최고 수준 학회인 NAACL 2025에 accept 되어 5월 발표를 앞두고 있음. [성과와 관련된 실적] 본 연구는 NLP 분야 최고 수준 학회인 NAACL 2025에 accept 되어 5월 발표를 앞두고 있음. [성과와 관련된 이미지]

[김원화 교수] HGM³: Hierarchical Generative Masked Motion Modeling with Hard Token Mining

[연구의 필요성] 텍스트 기반 모션 생성은 애니메이션, 로보틱스, AR/VR 등 다양한 분야에서 활용될 수 있는 중요한 기술이다. 최근 마스킹 기반 모션 생성 모델이 주목받고 있지만, 자연어의 모호성과 인간 모션의 복잡성으로 인해 여전히 어려운 문제로 남아 있다. 기존 모델들은 무작위 마스킹을 사용하여 모션 데이터를 학습하지만, 이러한 방식은 중요한 패턴을 효과적으로 학습하지 못하는 한계가 있다. 또한, 텍스트를 단일 문장 임베딩으로 변환하여 모션을 생성하는 기존 방식은 복잡한 모션 시퀀스를 생성하는 데 한계를 보이며, 세부적인 동작 표현이 부족할 수 있다. 본 연구에서는 이러한 한계를 극복하는 텍스트 기반 모션 생성 모델을 개발하였다. [포스텍이 가진 고유의 기술] (1) 본 연구에서는 Hard Token Mining(HTM) 기법을 도입하여, 학습이 어려운 모션 패턴을 효과적으로 식별하고 이를 집중적으로 학습하는 전략을 제안하였다. 교사-학생(Teacher-Student) 모델 구조를 활용하여, 교사 모델이 학습 난이도가 높은 모션 영역을 식별하고 마스킹하면 학생 모델이 이를 복원하며 학습한다. 쉬운 패턴부터 학습하고 점진적으로 난이도를 높이는 방식을 적용하였다. (2) 입력 텍스트를 모션 수준(motion-level), 행동 수준(action-level), 세부 수준(specific-level)으로 분해하여 계층적으로 표현하고, 이를 Generative Masked Motion Model에 적용하였다. Graph Attention Network(GAT)을 활용하여 각 수준에서 중요한 정보를 추출하고, 이를 모델의 입력 조건으로 사용하여 보다 문맥적으로 자연스럽고 정밀한 모션을 생성할 수 있도록 하였다. [연구의 의미] 본 연구는 텍스트 기반 모션 생성의 새로운 방향을 제시하며, 문맥에 적합한 고품질의 모션 생성 능력을 향상시켰다. HTM 기법을 통해 중요한 동작을 우선적으로 학습하여 보다 자연스럽고 일관된 모션을 생성할 수 있다. 또한, 계층적 의미 그래프를 활용해 텍스트 정보를 다층적으로 반영함으로써, 모델이 다양한 문맥 정보를 효과적으로 학습할 수 있다. 이를 통해 애니메이션, 가상현실, 로보틱스 등 다양한 분야에서 활용 가능성이 크다. [연구결과의 진행 상태 및 향후 계획] 본 연구는 인공지능 분야 최우수 국제 학술 대회인 International Conference on Learning Representations (ICLR 2025) 논문으로 채택되어 포스터로 발표될 예정이다. 향후 연구에서는 모델 경량화 또는 텍스트와 모션 간의 표현 차이를 더욱 정교하게 조정하는 방법을 고안하는 것을 목표로 한다. [성과와 관련된 실적] Minjae Jeong*, Yechan Hwang*, Jaejin Lee, Sungyoon Jung, Won Hwa Kim, “HGM³: Hierarchical Generative Masked Motion Modeling with Hard Token Mining”, International Conference on Learning Representations (ICLR), 2025. [성과와 관련된 이미지]

[김원화 교수] Conditional Diffusion with Ordinal Regression: Longitudinal Data Generation for Neurodegenerative Disease Studies

[연구의 필요성] 알츠하이머와 같은 신경퇴행성 질환은 한번 악화되면 정상 상태로 돌아오기가 거의 불가능하기 때문에, 이러한 퇴행성 질환의 종적(longitudinal) 진행을 분석하는 것은 병의 조기 진단과 예방에 필수적이다. 하지만 종적 의료 데이터의 부족, 개인별 질병 진행 양상의 다양성과 같은 요인으로 인해 이러한 종적 연구에 어려움이 존재한다. 또한, 환자가 수년, 혹은 수십년에 걸쳐서 몇 년에 한번씩 병원에 방문해 진단을 받기 때문에, 데이터간 시간 간격이 불규칙하고 간격이 길어서 질병의 진행을 정확하게 모델링하기 어렵다. 따라서, 이러한 문제들을 해결하기 위한 신경퇴행성 질병에 대한 종적 연구가 필요하며, 특히 종적 데이터가 가지고 있는 시간에 따라 변화하는 특징들 (예: 나이, 질병 단계)을 고려할 수 있는 모델 개발이 필요하다. [포스텍이 가진 고유의 기술] (1) 본 연구에서는 종적 신경퇴행성 질환 데이터의 특징을 학습하여 실제와 유사한 데이터를 생성하는 생성형 인공지능 모델을 제시하였다. (2) 특히, 시간의 흐름에 따라 순차적으로 변화하는 나이와 질병 단계를 생성 모델의 조건(condition)으로 활용해, 특정 나이와 질병단계를 가진 환자의 뇌의 상태(예: 대뇌피질 두께)를 순차적으로 생성할 수 있다. 따라서, 실제로 관찰되지 않은 시간(나이)에 해당하는 뇌의 상태를 생성하여 실제 획득한 데이터의 시간 간격이 크고 불규칙하더라도 종적 데이터를 효율적으로 모델링할 수 있다. (3) 또한, 본 연구에서 제시한 종적 데이터 생성 모델은 집단 수준에서의 병의 특징과 개인별 차이에서 기인한 특징을 모두 고려하여 종적 데이터를 생성한다. 집단 수준의 질병의 특징은 ordinal regression 모델을 활용하여 집단 내에서 나이, 질병 단계와 같은 서수형 변수 (ordinal variable)들과 뇌의 상태 간의 관련성을 학습한다. 개인별 특성은 환자 별로 다른 시점에 측정한 데이터를 보간(interpolation)하여 학습한다. (4) 의료 데이터의 특성상 데이터의 수가 부족한 문제가 있으므로, 나이와 질병 단계에 대한 조건뿐만 아니라 데이터셋에 대한 조건을 추가하여 여러 데이터셋을 통합 학습할 수 있는 방안을 제시한다. [연구의 의미] 본 연구에서는 시간의 흐름에 따라 순차적으로 변화하는 나이, 질병 단계 등의 서수형 변수들을 활용해 신경퇴행성 질환 환자들의 종적 뇌 변화를 모델링하는 생성모델을 제시하였다. 수 년에 걸쳐 불규칙하게 획득한 적은 수의 종적 의료 데이터를 실제 데이터와 유사하게 생성이 가능하며, 이 때 질병 단계별로 유의미한 관련이 있는 뇌의 영역별 특징을 반영하여 데이터를 사실적으로 생성할 수 있다. [연구결과의 진행 상태 및 향후 계획] 해당 연구는 머신 러닝 분야 우수 학회인 International Conference on Learning Representations (ICLR) 2025에 spotlight 논문(acceptance rate: 5.1%)으로 수락되었다. 향후 알츠하이머와 경도인지장애 환자들의 종적 데이터를 활용하여, 경도인지장애 환자들 중에서 가까운 미래에 알츠하이머로 병이 진행이 될지 여부를 분석하는 후속 연구를 진행할 계획이다. [성과와 관련된 실적] Hyuna Cho, Ziquan Wei, Seungjoo Lee, Tingting Dan, Guorong Wu, Won Hwa Kim International Conference on Learning Representations (ICLR), 2025, Spotlight [성과와 관련된 이미지]

[박찬익 교수] Toward High-Performance Blockchain System by Blurring the Line between Ordering and Execution.

[연구의 필요성] DAG 기반 합의 알고리즘의 발전으로, 블록체인 시스템 성능의 병목이 합의(Consensus)에서 실행(Execution)으로 이동하고 있습니다. 그러나 대부분의 블록체인 시스템은 트랜잭션 실행과 정렬 과정을 분리하여 합의에 의해 생성된 워크로드의 병렬성을 충분히 활용하지 못하고 있습니다. 따라서 이러한 병렬성을 활용하여 블록체인 시스템의 병목을 해소하여야 하므로 이 연구는 매우 중요합니다. [포스텍이 가진 고유의 기술] 블록체인 시스템에 적용가능한 결정적 동시성 제어 알고리즘을 제안했습니다. 이 알고리즘은 워크로드에 내재된 트랜잭션 병렬성을 효과적으로 처리합니다. 트랜잭션 의존성 그래프를 병렬로 생성하고 이를 바탕으로 실행 스케줄을 작성합니다. 그래프 병렬 생성 도중 트랜잭션 조기 종료(early abort)를 수행하고, 조기 종료된 트랜잭션들을 효과적으로 재정렬하면서 병렬성을 극대화합니다. [연구의 의미] 본 연구는 기존 블록체인 시스템의 트랜잭션 처리 방식에 대한 새로운 주안점을 시사하였습니다. 이를 기반으로, 블록체인 시스템의 안정성을 해치지 않으면서 기존 기술을 능가하는 고성능 트랜잭션 처리를 가능하게 하였습니다. [연구결과의 진행 상태 및 향후 계획] 본 연구는 Ethereum Virtual Machine을 통합하여, Ethereum 기반 스마트 컨트랙트 실행 환경에서 광범위하게 평가되었습니다. 향후에는 다양한 응용 어플리케이션 워크로드를 기반으로 성능을 고도화하는 방향으로 진행될 예정입니다. [성과와 관련된 실적] Donghyeon Ryu and Chanik Park. 2024. In Proceedings of the International Conference for High Performance Computing, Networking, Storage, and Analysis (SC ’24) [성과와 관련된 이미지]