| 8월 12일 (화) | |||
| 09:00 - 10:30 |
|
||
| 10:30 - 12:00 |
|
||
| 16:30 - 18:00 |
|
||
| 8월 13일 (수) | |||
| 09:00 - 10:30 |
|
||
| 10:30 - 12:00 |
|
||
| 16:30 - 18:00 |
|
||
문경식 교수
(고려대)
| Biography | |
|---|---|
| 2025-현재 | 고려대학교 컴퓨터학과 조교수 |
| 2024-2024 | 대구경북과학기술원 전기전자컴퓨터공학과 조교수 |
| 2022-2024 | Postdoctoral Research Scientist, Reality Labs Research at Meta |
| 2021-2022 | 서울대학교 자동화시스템공동연구소 선임연구원 |
| 2015-2021 | 서울대학교 전기정보공학부 공학박사 |
Personalized Expressive 3D Digital Humans from a Single Image (90분)
Generating personalized and expressive 3D digital humans from a single image is a key challenge for virtual humans and embodied AI. In this talk, I will present two recent approaches—ExAvatar and PERSONA—that reconstruct animatable 3D avatars with realistic appearance, facial expressions, and hand gestures from minimal input. ExAvatar builds avatars from short videos using a hybrid 3D mesh and Gaussian representation, while PERSONA enables single-image avatar creation by leveraging diffusion-based video generation to model pose-driven deformations. These works show how combining geometric structure with generative models leads to scalable, high-fidelity avatar creation. I wil l also discuss future directions toward tighter integration with video generation models, opening the door to controllable, identity-preserving avatar animation directly from text or motion cues.
이종욱 교수
(성균관대)
| Biography | |
|---|---|
| 2016-현재 | 성균관대학교 소프트웨어학과 부교수 |
| 2014-2016 | 한국외국어대학교 컴퓨터공학과 조교수 |
| 2012-2014 | Pennsylvania State University, College of IST, 박사 후 연구원 |
| 2006-2012 | 포항공과대학교 컴퓨터공학 박사 |
| 1999-2006 | 성균관대학교 컴퓨터공학 학사 |
| 2025-현재 | 한국정보과학회 데이터소사이어티 편집부회장 |
생성형 검색 및 추천 시스템 소개 및 최근 연구 동향 (90분)
본 강의에서는 거대 언어 모델의 발전에 따라 새롭게 부상한 생성형 검색(Generative Search) 및 생성형 추천 시스템(Generative Recommendation Systems)의 개념과 구조를 소개하고, 이들이 기존 정보 검색 및 추천 시스템과 어떻게 차별화되는지를 살펴본다. 특히, 생성형 모델이 사용자 질의 및 선호도를 자연어로 이해하고 응답을 생성하는 방식과, 이를 통해 더욱 유연하고 개인화된 정보 탐색이 가능해지는 과정을 설명한다. 구체적으로, 최근의 주요 최우수 학술대회에서 소개된 최신 연구 동향을 살펴보며, 생성형 검색 및 추천 모델이 전통적인 모델을 어떻게 보완하거나 대체할 수 있는지를 논의한다. 마지막으로, 생성형 검색 및 추천 시스템의 발전 방향과 이를 구현하기 위한 기술적 과제에 대해 살펴보며, 향후 연구 및 개발의 방향성을 제시하고자 한다.
조준수 교수
(부산대)
| Biography | |
|---|---|
| 2023-현재 | 부산대학교 정보컴퓨터공학부 조교수 |
| 2023-현재 | 한국정보과학회 인공지능소사이어티 이사 |
| 2023-2023 | 정보과학회 데이터베이스 소사이어티 조직위원 |
| 2023-2023 | 포항공과대학교 컴퓨터공학과 박사후연구원 |
| 2017-2023 | 포항공과대학교 석박사통합과정 |
| 2013-2017 | 포항공과대학교 학사과정 |
The development process of LLM and its application (90분)
Based on their recent remarkable success, Large Language Models (LLMs) are evolving and being practically applied across various fields. In this presentation, we aim to explore the development of LLMs from a research and technical perspective and to introduce application areas of LLMs, thereby discussing the future direction of progress in the field of natural language processing.
장부루 교수
(고려대)
| Biography | |
|---|---|
| 2025-현재 | 고려대학교 컴퓨터학과 조교수 |
| 2023-2025 | 서강대학교 인공지능학과/컴퓨터공학과 조교수 |
| 2020-2023 | Hyperconnect Research Unit Lead |
| 2016-2020 | 고려대학교 정보대학 컴퓨터공학 공학박사 |
Multimodal Large Language Models: 시각을 갖춘 LLM (90분)
Multimodal Large Language Models (MLLMs), which jointly understand visual information and text, are capable of performing a wide range of multimodal tasks beyond text alone. This talk will explain the fundamental architecture of MLLMs, introduce various tasks that can be tackled using MLLMs, and present recent advances in the field. Through this, we aim to provide a clear understanding of how MLLMs work and explore their potential for practical applications.
전해곤 교수
(GIST)
| Biography | |
|---|---|
| 2022-현재 | GIST AI융합학과 및 전기전자컴퓨터공학부 부교수 |
| 2024-현재 | CVPR / ICCV Area Chair |
| 2023-현재 | (사) 한국컴퓨터비전학회 이사 |
| 2024-2024 | Carnegie Mellon University 방문연구원 |
| 2019-2022 | GIST AI대학원 및 전기전자컴퓨터공학부 조교수 |
| 2018-2019 | Carnegie Mellon University 박사후 연구원 |
| 2018-2018 | KAIST 박사후 연구원 |
| 2015-2018 | KAIST 전기및전자공학과 박사 |
3D Depth Perception (90분)
깊이 정보는 카메라와 물체 간의 거리를 나타내는 영상신호이다. 컴퓨터비전 분야에서는 3차원 복원/인지/탐지/영상 개선 등에 필수적인 정확한 깊이 정보를 빠른 시간내에 추론하기 위한 노력을 40년 가까이 이어오고 있다. 이 기간동안 깊이 정보를 추론하기 위해 사용되는 센서의 종류와 기능적인 면에서 많은 변화가 있었고, 방법론 역시 전통적인 최적화에서 학습기반의 방법론까지 큰 발전이 있었다. 본 강연에서는 전통적인 스테레오 매칭부터 파운데이션 모델까지 센서와 방법론에 따른 깊이 정보 추론 연구의 변화와 발전을 살펴본다. 여기에 더해, 전통적인 방법론들이 현재 파운데이션 모델 기반의 깊이 정보 추론에 어떠한 영감을 주고 있는지도 소개한다.
최승진 소장
(Intellicode)
| Biography | |
|---|---|
| 2022-현재 | 연구소장, Intellicode |
| 2019-2021 | CTO, BARO AI & 상임고문, BARO AI Academy |
| 2001-2019 | POSTECH 컴퓨터공학과 교수 |
| 2019-2021 | 정보과학회 인공지능소사이어티 회장 |
| 2018 | 삼성전자 종합기술원 자문교수 |
| 2017-2018 | 삼성리서치 AI센터 자문교수 |
| 2016-2017 | 신한카드 빅데이터센터 자문교수 |
| 2014-2016 | 정보과학회 머신러닝연구회 초대위원장 |
Robust Bayesian Optimization (90분)
Bayesian optimization (BO) has emerged as a powerful framework for efficiently optimizing expensive-to-evaluate, black-box functions across science and engineering. However, solutions found by standard BO can be deceptively fragile, often failing when deployed in the real world where environmental conditions fluctuate, hardware degrades, or adversaries intervene. To address this critical gap, this tutorial introduces Robust Bayesian Optimization, a class of methods designed to find solutions that are not only optimal but also remain effective and reliable in the face of real-world uncertainty. The need for such methods is more urgent than ever, as we deploy complex AI systems in high-stakes applications like autonomous driving and medical technology, where guaranteeing safe and consistent performance under unpredictable conditions is non-negotiable. After a quick overview of standard BO, we will explore three distinct and powerful paradigms for achieving robustness. We first delve into adversarially robust BO which finds solutions that can withstand worst-case or adversarial perturbations. Then we introduce distributionally robust BO, which are techniques that hedge against distributional shifts, seeking solutions that perform well across an entire family of plausible probability distributions for the uncertain parameters. Finally we explore robust Bayesian satisficing, which is a practical and decision-theoretic approach that shifts the focus from pure optimization to robust reliability. This framework aims to find solutions that satisfy predefined performance criteria with high confidence, which is often more valuable than finding a fragile optimum.