No

교수

논문제목

학술지

(대회)명

논문게재일

우수지표

1

이동호교수

Modality Alignment with Multi-scale Bilateral Attention for

Multimodal Recommendation

CIKM(The Conference on

Information and Knowledge

Management)

2025/11/11~13 (예정)

BK인정

우수학술

대회논문

(3점)

주요내용

논문우수성

본 논문은 전자상거래 및 콘텐츠 플랫폼에서 사용자의 선호를 더 정확히 반영하기 위한 멀티모달 추천 시스템의 성능을 개선하기 위해 제안된 새로운 프레임워크 MambaRec를 소개한다. 기존 방법들이 시도한 정적 융합 방식이나 그래프 기반의 국소 상호작용 모델링은 정밀한 모달 간 의미 정렬이 부족하고, 전체적인 표현 분포의 일관성을 고려하지 않아 성능에 한계를 보인다. MambaRec는 이러한 한계를 극복하기 위해 지역(feature-level) 정렬과 전역(distribution-level) 정렬을 동시에 고려하는 다중 스케일 양방향 어텐션 구조를 도입한다. 핵심 구성요소인 DREAM(Dilated Refinement Attention Module)은 이미지와 텍스트 간의 미세 의미를 다중 스케일로 추출하고 정렬하여 교차 모달 간 의미적 연결을 더욱 정교하게 포착한다. 또한, 최대 평균 차이(MMD) 손실 함수와 대조 학습(InfoNCE)을 통해 모달 간 전역 표현 분포의 정렬을 강화하며, 차원 축소 기법을 통해 계산 비용과 메모리 사용량도 절감하였다.

본 논문이 제안한 MambaRec 모델은 멀티모달 추천에서 지역과 전역 수준의 정렬을 동시에 달성하며 기존 방법의 한계를 효과적으로 극복한다. 지역 정렬을 위한 DREAM 모듈은 다중 스케일 확장 합성곱과 채널·공간 어텐션을 결합하여 이미지와 텍스트 간의 미세한 의미를 정밀하게 포착하고, 전역 정렬은 MMD 손실과 대조 학습을 통해 모달 간 표현 분포의 일관성을 강화함으로써 더 일반화된 추천 성능을 이끌어낸다. 또한, 차원 축소 전략을 도입해 연산 자원을 효율적으로 줄이면서도 성능을 유지할 수 있어 대규모 시스템 적용에도 적합하다. 실험에는 실제 전자상거래 데이터셋(Baby, Sports, Clothing)에 대해 기존 모델들과 성능을 비교하였다. 실험 결과를 통해 기존 최신 모델들을 일관되게 능가하며, 성능, 표현력, 효율성 면에서 높은 우수성을 입증하였다. 이는 논문에서 제안한 모델이 기존 모델 대비 더 효과적인 추천 방법을 제안한 것으로 볼 수 있다.

2

유용재 교수

Automatic Accessible Multimodal Translation of Graphics Using a Refreshable Pin Array

ACM Multimedia’25

2025/10/27

BK인정 

우수학술

대회논문

(4점)

주요내용

논문우수성

 본 논문에서는 시각 장애인의 접근성 향상을 위해 자동 시각-청촉각 변환 기능을 갖춘 로컬 AI 모델을 개발하였으며, 이를 기반으로 Refreshable Pin Array 위에 만질 수 있는 촉각 아이콘과 음성을 결합하여 사진 등 시각 콘텐츠를 시각장애인에게 효과적으로 전달하는 AI 시스템을 구현하였다. 또한, 개발한 시스템에 대해 사용자 평가 및 AI 벤치마킹을 수행하여 그 효용성을 검증하였다.

본 논문은 BK가 인정하는 IF 4점의 우수 학술대회인 ACM Multimedia에서 구두 발표로 채택되어 학술적 우수성을 인정받았다. AI를 활용한 시각 장애인 접근성 분야라는 상대적으로 다루어지지 않은 영역에서 심도 있는 연구와 완성도 높은 시스템 구현으로 높은 평가를 받았다. 또한, 주식회사 닷과의 협력을 통해 사업화와 글로벌 시장 진출 가능성을 확보하였으며, 다양한 분야에 적용 가능한 최고 수준의 멀티모달(청촉각) AI 애플리케이션으로 연구 범위를 확장하고 있다.

3

강경태 교수

Explainable Integrative Bipartite Graph Convolutional Neural Network for Predicting Ejection Fraction in Echocardiography

Medical Image Computing and Computer Assisted Interventions.

(MICCAI)

2025/09/22

CORE 등급 A

주요내용

논문우수성

본 논문에서는 심장 초음파 영상과 환자의 인구통계학적 정보(나이, 성별, BMI 등)를 통합하여 박출률을 정밀하게 추정할 수 있는 설명 가능한 그래프 신경망 모델(IBi-GNN)을 제안한다.

IBi-GNN은 두 데이터 간의 상호작용을 명시적으로 학습할 수 있도록 이분 그래프 구조를 도입하였으며, 모델 해석을 통해 각 인구집단별로 심장 구조 및 생리 특성과 연관된 영상 영역을 도출할 수 있음을 보였다. 제안한 모델은 기존 최첨단 방법들 대비 예측 성능이 우수하며, 의료 영상 기반 맞춤 심장질환 진단의 새로운 가능성을 제시한다.

다중 모달리티(영상+임상정보)를 통합적으로 활용하는 새로운 방법론을 제시하여 실제 임상 적용 가능성이 높으며, 단순 예측뿐 아니라 모델 해석을 통해 환자 특성별 심장 구조와 생리적 차이의 근거를 제시함으로써 인공지능 기반 정밀의료의 발전에 기여한다.

이는 의료영상 분야에서 CORE 등급 A, BK 컨퍼런스 우수학회인 MICCAI에 채택되어 그 학술적 우수성을 인정받았다.