기계학습 및 인공지능 연구실 소개
최종 수정일: 2026년 08월 13일
작성자: 송경우
기계학습 및 인공지능 연구실 (MLAI) 소개
우리 연구실은 복잡한 문제를 스스로 해결하고, 새로운 지식을 창출하며, 경험을 통해 진화하는 신뢰할 수 있는 AI를 목표로, 근본적인 기계학습 및 인공지능 방법론을 연구하고 있습니다. 연구는 크게 1) Foundation & Generative Models, 2) Agentic & Self-Evolving Systems, 3) Trustworthy AI의 세 축을 중심으로 진행됩니다. 구체적으로는 새로운 Foundation Model 아키텍처, Multimodal & Multiscale Learning, Diffusion/Flow Matching, Agentic Reasoning & Planning, Autonomous Interaction & Execution, Self-Evolution, Statistical Guarantees, Causality, Mechanistic Interpretability 등을 연구하고 있습니다. 이러한 기반 방법론을 바탕으로 과학·공학 난제 해결 및 새로운 지식 창출을 지향하며, 의료, 바이오, 소재, 제조, 공공, 소셜 등 다양한 실제 문제에도 연구를 확장하고 있습니다. 기계학습과 인공지능의 근본적인 문제를 깊이 탐구하고, 새로운 AI 방법론과 시스템을 함께 만들어가고 싶은 학생들의 지원을 항상 환영합니다.
Q: 입학은 어떤 학과로 하게 되나요?
본 연구실의 본 소속은 연세대학교 응용통계학과 (학부), 통계데이터사이언스학과 (대학원) 입니다. 그리고, 연세대학교 AI대학원에도 속해 있습니다.
즉, 학생들은 통계데이터사이언스학과 혹은 AI대학원 소속으로 선택해서 지원하시고, 그에 맞게 입시를 거쳐서 입학이 가능합니다.
관련해서는, 교수와 사전에 논의해주시기를 부탁드립니다.
Q: 입학하게 되면 어떠한 연구를 수행하게 되나요?
A: 본 연구실은 "복잡한 난제를 스스로 해결하고, 새로운 지식을 창출하며, 경험을 통해 진화하는 신뢰할 수 있는 AI 개발"을 목표로, 1) Foundation & Generative Models, 2) Agentic & Self-Evolving Systems, 3) Trustworthy AI 관련 연구를 수행하고 있습니다. 이러한 근원적인 AI 방법론 및 시스템 개발뿐만 아니라, 의학, 바이오, 소재, 제조, 공공 등 다양한 분야로의 응용을 수행하고 있습니다. 학생과의 개별면담을 통해, 학생이 원하는 연구주제를 함께 선정해 나갈 계획입니다.
연구예시1) 효과적이고 확장 가능한 Foundation Models 학습을 위한 새로운 모델 아키텍처 및 학습 방법론 개발
연구예시2) 텍스트, 이미지, 그래프, 시계열 등 다양한 형태와 스케일의 데이터를 통합적으로 학습할 수 있는 Multimodal & Multiscale Foundation Models 개발
연구예시3) Diffusion Models, Flow Matching 등 Generative Models의 생성 성능 및 학습 효율을 개선하기 위한 새로운 방법론 개발
연구예시4) 복잡한 문제를 스스로 분해하고 추론·계획하며, 적절한 도구를 활용하여 해결할 수 있는 Agentic AI의 Reasoning & Planning 능력 고도화
연구예시5) 기존 Foundation Models 및 Agents가 경험을 통해 기억, 도구, 정책 및 모델 자체를 지속적으로 개선하는 Self-Evolving AI 개발 및 이를 통한 새로운 지식 창출·난제 해결
연구예시6) AI의 예측 및 의사결정에 대해 불확실성을 정량화하고 통계적인 성능 보장을 제공하기 위한 Statistical Guarantees 방법론 개발
연구예시7) 단순한 상관관계를 넘어 원인과 결과를 이해하고 개입 효과를 추론할 수 있는 Scalable Causal Learning 및 Causal Representation Learning 방법론 개발
연구예시8) Foundation Models의 내부 표현과 계산 과정을 분석하여 작동 원리를 이해하고, 설명의 충실성과 해석 가능성을 높이기 위한 Mechanistic Interpretability 방법론 개발
Q: 대학원생으로 입학하게 되면 어떠한 생활을 하게 되나요?
A: 대학원생에게 가장 중요한 부분은 "연구" 입니다. MLAI 연구실은 대학원생들이 실력을 기르고 우수한 연구들을 수행할 수 있도록 모든 지원을 할 계획입니다 (다양한 국내외 연구협력, 행정적인 업무 등은 지도교수 또는 행정 담당 선생님이 해결 등). 기본적으로 하루 8시간 이상 학업 및 연구에 시간투자하는 것을 권장하며, 연구실 코어타임 (평일 10:30-15:30)에는 연구실에서 연구를, 그 외에는 자유로운 위치에서 연구를 수행하시면 됩니다. 매주 1~2회 지도교수와의 연구 미팅 및 논문세미나 등을 통해서 연구를 진전시켜 나가게 됩니다.
Q: 학부생 연구원으로 입학하게 되면 어떠한 생활을 하게 되나요?
A: 학부생이 주도적으로 연구를 수행하고 논문을 작성하기 위한 Training 기회를 제공합니다. 수업 및 시험기간등을 고려하여 유동적으로 연구활동에 참여 가능합니다. 학부생도 대학원생과 동일하게, 연구에만 전념할 수 있도록 모든 지원을 할 계획입니다. (연구실 예산 상황 및 학부생 참여 연구프로젝트 항목에 따라, 학부생도 장학금 수여가 가능합니다.)
Q: 연구실에서 교육의 기회도 주어지나요?
A: 연구실에서 1:1 연구미팅 외에도, 양질의 교육의 기회를 제공하고자 노력하고 있습니다. 예를들어, 26년도 겨울방학에는 Diffusion Models 특강을 8주동안 진행하였으며, GPU/NAS 서버 활용법, Docker 사용법, Llama Factory 사용법, 최신 연구 흐름 따라가는법 등의 교육 또한 진행되었습니다. 그 외에도, 외부에서 개최되는 다양한 학회 및 교육세션에 참여하는것을 장려하여, 성장을 돕고자 합니다.
Q: 박사 및 석사학위를 받기 위한 기준은 어떻게 되나요?
A: 박사학위를 받기 위해서는 ML/AI/Stat 관련 Top Conference의 main paper 또는 그에 준하는 Top SCIE 저널 3편 이상 게재, 그리고 석사학위는 1편 이상의 논문 제출을 필요로 합니다. (또는, 그에 준하는 높은 퀄리티의 학위논문이 완성되면, 정량적인 논문실적이 부족하더라도, 졸업이 가능합니다.) 평균적으로 석사과정은 2년, 박사과정은 4년이 소요됩니다 (학-석사 연계: 5년, 석-박사 연계: 5년 소요). 졸업요건이 빠르게 충족될 경우, 지도교수와의 협의를 통해 국내외 기업 및 연구소 인턴 및 조기졸업이 가능합니다.
Target Conference/Journal: NeurIPS, ICML, AAAI, ICLR, AISTATS, UAI, KDD, CVPR, ACL, TPAMI, JMLR 등
졸업 후, 학생들이 각 분야에서, 국내 최고수준의 경쟁력을 가지는것을 목표로 합니다.
Q: 어떤 학생들을 모집하시나요?
A: 현재 대학원생과 학부연구생을 모두 모집하고 있습니다. 기본적으로, ML/AI 분야에 진심으로 관심이 많은 학생들을 모집합니다. 연구를 수행하는 과정에서, 학부 및 대학원 수준의 수학 및 프로그래밍 지식이 많이 요구됩니다. 이에 대해서 깊이있게 공부하시는것을 권장드립니다.
Q: 지원하기전에 직접 면담이 가능한가요?
A: 네 가능합니다. kyungwoo.song (at) gmail.com 로 1)본인에 대한 간단한 소개 (이름, 소속 등), 2)면담 가능한 시간, 3)간단한 이력서 또는 성적표를 첨부해주세요. (제 일정은 Contact페이지 에서 보실 수 있으며, 색칠되어 있는 부분외에는 모든 시간 가능합니다.)
Q: 장학금은 어떻게 되나요?
A: 학생의 학위과정에 따라 금액은 다르지만, 서울에서 생활하시기에 부족함이 없는 높은 장학금을 제공하고자 노력합니다. 금전적으로 추가적인 도움이 필요한 학생의 경우, 추가적인 프로젝트 참여등을 통해, 대학원 최고 수준의 장학금을 지원합니다. MLAI 연구실은 학생들이 연구에 전념할 수 있도록 모든 지원을 할 계획입니다. 학생이 졸업요건을 충족할 경우, 학생의 의사에 따라 국내외 기업 및 연구소 인턴을 통해 새로운 연구 경험 및 추가적인 인건비를 받으실 수 있습니다.
학생들이 연구 외에는 신경 쓸게 없는 연구실 환경 조성을 목표로 합니다.