국민인! 국민인!!
세계 최고 권위 AI 학술대회 NeurIPS 2026 논문 6편 채택 / 이현기·김장호(인공지능학부) 교수 연구팀
- 26.11.17 / 정이슬
김장호.jpg
국민대학교(총장 정승렬) 인공지능학부 이현기·김장호 교수 연구팀이 인공지능 분야 세계 최고 권위의 국제학술대회인 'NeurIPS 2026(Conference on Neural Information Processing Systems)'에 총 6편의 논문을 채택시키는 성과를 거뒀다. 특히 국민대학교 AI·SW학과 석·박사과정의 황솔희·정진우·이혜은 학생이 각각 논문의 제1저자로 참여해 연구를 주도했다. 이들은 각각 대규모 비전언어모델의 추론 효율화, Mamba 기반 초해상도 모델의 저비트 양자화, 대규모 언어모델 개인화 분야에서 우수한 연구 성과를 거두며 국민대학교 대학원생들의 연구 역량을 입증했다.
NeurIPS는 ICML, ICLR과 함께 인공지능 및 머신러닝 분야를 대표하는 국제학술대회로, 전 세계 대학과 글로벌 기업의 연구진이 최신 인공지능 기술과 연구 성과를 발표하는 학술 무대다. 특히 NeurIPS는 BK21+ 사업에서 인정하는 우수국제학술대회 중 하나로, 이번 성과는 국민대학교 인공지능학부의 연구 경쟁력을 보여주는 사례다.
이번에 채택된 논문들은 대규모 비전언어모델(VLM)의 추론 효율화, 저비트 양자화, 데이터 효율적인 메타학습, 대규모 언어모델(LLM) 개인화, 생성모델의 고속화, 어휘 확장 언어모델의 학습 효율 개선 등 인공지능의 핵심 연구 분야를 폭넓게 다루고 있다.
먼저 'Q-ViK: Question-Guided Visual KV Cache Eviction for Large Vision-Language Models'는 대규모 비전언어모델의 추론 과정에서 질문에 중요한 시각 정보를 예측하여 선택적으로 유지하는 기술을 제안했다. 이를 통해 모델의 성능을 최대한 보존하면서 메모리 사용량과 추론 비용을 줄이는 방법을 연구했다.
'Hardware-Friendly Token-Group Activation Quantization for Low-Bit Mamba Super-Resolution'은 Mamba 기반 초해상도 모델의 저비트 양자화 기술을 다룬 연구다. 하드웨어 친화적인 토큰 그룹 단위의 활성화 양자화를 통해 모델의 연산 효율성과 실제 하드웨어 적용 가능성을 높이는 데 초점을 맞췄다.
'Improving Neural Processes in the Low-Data Regime via Context-Subset Training and Self-Distillation'은 학습 데이터가 부족한 환경에서 Neural Process 모델의 성능을 개선하는 연구다. Context-subset training과 self-distillation을 활용하여 제한된 관측 정보에서도 효과적으로 학습하고 예측할 수 있는 방법을 제안했다.
'PriSM: Prior-guided Shared-basis Mixture Personalization for LLMs under Sparse User Histories'는 사용자별 데이터가 충분하지 않은 상황에서도 대규모 언어모델을 효과적으로 개인화하는 기술을 제안했다. 공유된 학습 기반과 사전정보를 활용해 적은 사용자 이력만으로 개인화된 모델을 구성하는 것이 핵심이다.
'ManiFusion: Unlocking High-Throughput Generation via Superposition in Manifold Space'는 서울대학교 곽노준 교수 연구팀과의 공동연구로, 생성모델의 처리량을 높이기 위한 기술을 제안했다. 매니폴드 공간에서의 중첩(superposition)을 활용하여 여러 샘플을 동시에 처리함으로써 생성 품질을 유지하면서도 생성 효율을 높이는 방법을 연구했다.
마지막으로 'SAVE: Sparsity-Aware Influence Estimation for Vocabulary-Expanded LLMs'는 KAIST 이주호 교수 연구팀과의 공동연구로, 새로운 어휘를 추가한 대규모 언어모델의 학습 성능과 전이 능력을 개선하는 기술을 제안했다. 희소성을 고려한 영향도 추정 기법을 통해 효과적인 추가 학습 데이터를 선택함으로써 특정 작업의 성능과 관련 작업으로의 지식 전이 능력을 함께 향상시켰다.
이번 성과는 대규모 AI 모델의 경량화 및 효율화부터 데이터 부족 문제 해결, 개인화, 생성모델 가속화에 이르기까지 다양한 연구 영역에서 이루어졌다는 점에서 의미가 있다. 특히 개별 모델의 성능 향상을 넘어 제한된 연산 자원과 데이터 환경에서도 인공지능 기술을 효과적으로 활용할 수 있는 실용적인 연구 방향을 제시했다.
이현기·김장호 교수 연구팀은 이번 NeurIPS 2026 논문 6편 채택을 통해 인공지능 모델의 학습·추론 효율화, 개인화 및 생성모델 고도화 등 다양한 분야에서 연구 경쟁력을 입증했다. 특히 서울대학교, KAIST 등 국내 주요 연구기관과의 공동연구를 통해 우수한 성과를 창출했으며, 앞으로도 활발한 학술 교류와 공동연구를 통해 인공지능 기술 발전에 기여할 계획이다.
지능 기반 대리모델을 활용한 예측 기술까지 폭넓은 연구를 수행하며, 계산재료과학 분야에서의 연구 경쟁력을 보여줬다.
▲ 김장호, 이현기 교수
| 세계 최고 권위 AI 학술대회 NeurIPS 2026 논문 6편 채택 / 이현기·김장호(인공지능학부) 교수 연구팀 | |||
|---|---|---|---|
|
국민대학교(총장 정승렬) 인공지능학부 이현기·김장호 교수 연구팀이 인공지능 분야 세계 최고 권위의 국제학술대회인 'NeurIPS 2026(Conference on Neural Information Processing Systems)'에 총 6편의 논문을 채택시키는 성과를 거뒀다. 특히 국민대학교 AI·SW학과 석·박사과정의 황솔희·정진우·이혜은 학생이 각각 논문의 제1저자로 참여해 연구를 주도했다. 이들은 각각 대규모 비전언어모델의 추론 효율화, Mamba 기반 초해상도 모델의 저비트 양자화, 대규모 언어모델 개인화 분야에서 우수한 연구 성과를 거두며 국민대학교 대학원생들의 연구 역량을 입증했다.
NeurIPS는 ICML, ICLR과 함께 인공지능 및 머신러닝 분야를 대표하는 국제학술대회로, 전 세계 대학과 글로벌 기업의 연구진이 최신 인공지능 기술과 연구 성과를 발표하는 학술 무대다. 특히 NeurIPS는 BK21+ 사업에서 인정하는 우수국제학술대회 중 하나로, 이번 성과는 국민대학교 인공지능학부의 연구 경쟁력을 보여주는 사례다.
이번에 채택된 논문들은 대규모 비전언어모델(VLM)의 추론 효율화, 저비트 양자화, 데이터 효율적인 메타학습, 대규모 언어모델(LLM) 개인화, 생성모델의 고속화, 어휘 확장 언어모델의 학습 효율 개선 등 인공지능의 핵심 연구 분야를 폭넓게 다루고 있다.
먼저 'Q-ViK: Question-Guided Visual KV Cache Eviction for Large Vision-Language Models'는 대규모 비전언어모델의 추론 과정에서 질문에 중요한 시각 정보를 예측하여 선택적으로 유지하는 기술을 제안했다. 이를 통해 모델의 성능을 최대한 보존하면서 메모리 사용량과 추론 비용을 줄이는 방법을 연구했다.
'Hardware-Friendly Token-Group Activation Quantization for Low-Bit Mamba Super-Resolution'은 Mamba 기반 초해상도 모델의 저비트 양자화 기술을 다룬 연구다. 하드웨어 친화적인 토큰 그룹 단위의 활성화 양자화를 통해 모델의 연산 효율성과 실제 하드웨어 적용 가능성을 높이는 데 초점을 맞췄다.
'Improving Neural Processes in the Low-Data Regime via Context-Subset Training and Self-Distillation'은 학습 데이터가 부족한 환경에서 Neural Process 모델의 성능을 개선하는 연구다. Context-subset training과 self-distillation을 활용하여 제한된 관측 정보에서도 효과적으로 학습하고 예측할 수 있는 방법을 제안했다.
'PriSM: Prior-guided Shared-basis Mixture Personalization for LLMs under Sparse User Histories'는 사용자별 데이터가 충분하지 않은 상황에서도 대규모 언어모델을 효과적으로 개인화하는 기술을 제안했다. 공유된 학습 기반과 사전정보를 활용해 적은 사용자 이력만으로 개인화된 모델을 구성하는 것이 핵심이다.
'ManiFusion: Unlocking High-Throughput Generation via Superposition in Manifold Space'는 서울대학교 곽노준 교수 연구팀과의 공동연구로, 생성모델의 처리량을 높이기 위한 기술을 제안했다. 매니폴드 공간에서의 중첩(superposition)을 활용하여 여러 샘플을 동시에 처리함으로써 생성 품질을 유지하면서도 생성 효율을 높이는 방법을 연구했다. 마지막으로 'SAVE: Sparsity-Aware Influence Estimation for Vocabulary-Expanded LLMs'는 KAIST 이주호 교수 연구팀과의 공동연구로, 새로운 어휘를 추가한 대규모 언어모델의 학습 성능과 전이 능력을 개선하는 기술을 제안했다. 희소성을 고려한 영향도 추정 기법을 통해 효과적인 추가 학습 데이터를 선택함으로써 특정 작업의 성능과 관련 작업으로의 지식 전이 능력을 함께 향상시켰다.
이번 성과는 대규모 AI 모델의 경량화 및 효율화부터 데이터 부족 문제 해결, 개인화, 생성모델 가속화에 이르기까지 다양한 연구 영역에서 이루어졌다는 점에서 의미가 있다. 특히 개별 모델의 성능 향상을 넘어 제한된 연산 자원과 데이터 환경에서도 인공지능 기술을 효과적으로 활용할 수 있는 실용적인 연구 방향을 제시했다. 이현기·김장호 교수 연구팀은 이번 NeurIPS 2026 논문 6편 채택을 통해 인공지능 모델의 학습·추론 효율화, 개인화 및 생성모델 고도화 등 다양한 분야에서 연구 경쟁력을 입증했다. 특히 서울대학교, KAIST 등 국내 주요 연구기관과의 공동연구를 통해 우수한 성과를 창출했으며, 앞으로도 활발한 학술 교류와 공동연구를 통해 인공지능 기술 발전에 기여할 계획이다.
지능 기반 대리모델을 활용한 예측 기술까지 폭넓은 연구를 수행하며, 계산재료과학 분야에서의 연구 경쟁력을 보여줬다.
▲ 김장호, 이현기 교수 |
| 이전글 | 없습니다. |
|---|---|
| 다음글 | 국내외 학술대회서 잇단 수상 쾌거 / 재료전산모사실험실 학생들 |














