컴퓨터·AI학부 임상수 교수팀, 디지털AI세포구축사업 선정

3년 9개월간 범용 디지털 AI세포 파운데이션 모델 개발… 총 187.5억 원 규모동국대 AI Team, 약 50억 원 규모연구 수행▲ 컴퓨터·AI학부 임상수 교수동국대학교 컴퓨터·AI학부 임상수 교수 연구팀이 서울대학교 최무림 교수 연구팀, 가천대학교 서승용 교수 연구팀과 함께 총 187.5억 원 규모의 디지털AI세포구축사업에 선정됐다. 연구기간은 3년 9개월이며, 이 중 동국대학교가 주관하는 AI Team 예산은 약 50억 원이다.이번 과제는 서울대학교 최무림 교수가 총괄주관연구책임자를 맡고, 임상수 교수가 1주관연구책임자, 가천대학교 서승용 교수가 2주관연구책임자로 참여한다. 연구팀은 ‘VITAL: 범용 디지털 AI 멀티모달 세포 구축과 질병-약물 반응 예측 활용’을 주제로, 범용 디지털 AI세포 모델을 구축하고 이를 질병 기전 규명과 신약 후보 발굴에 활용할 계획이다. 임상수 교수는 과제 내 AI Team을 주관하며, 바이오넥서스가 공동연구기관, 서울대학교, 고려대학교가 위탁연구기관으로 구성되어 있다.본 연구는 전사체·후성유전체·단백체·대사체 등 멀티오믹스 데이터를 통합해 세포의 반응을 예측하는 세계 최고 수준의 AI 파운데이션 모델을 개발하는 것이 핵심이다. 연구팀은 대사질환, 자가면역질환, 암질환을 주요 질환 모델로 설정하고, 대규모 세포 데이터와 Perturb-seq 데이터를 기반으로 질병-약물 반응 예측 플랫폼을 구축한다.임상수 교수 주관의 AI Team은 오믹스 데이터 기반 단일모달 모델과 이를 통합한 멀티모달 디지털 AI세포 파운데이션 모델 개발을 담당한다. 또한 유전자·단백질·패스웨이·약물 정보를 연계해 질환별 약물 타겟을 도출하고, 검증 결과를 반영해 모델 성능을 고도화할 예정이다.임상수 교수는 “이번 과제는 대규모 멀티오믹스 데이터 생산, AI 모델 구축, 실험 검증이 하나의 순환 구조로 연결된 연구라는 점에서 의미가 크다”며 “동국대 AI Team은 질병과 약물 반응을 예측할 수 있는 디지털 AI세포 모델을 개발해 신약 타겟 발굴과 정밀의료 연구에 기여하겠다”고 밝혔다.연구팀은 "향후 구축된 데이터와 AI 모델을 국가 바이오 데이터 인프라와 공개 플랫폼으로 확산해 국내 디지털 바이오 및 AI 신약개발 생태계 활성화에 기여할 계획"이라고 밝혔다.

컴퓨터·AI학부 임상수 교수팀, 바이오 멀티모달 파운데이션 모델 구축사업 선정

암 조직 사진과 유전자 정보를 함께 분석하는 AI 모델 개발 참여▲ 컴퓨터·AI학부 임상수 교수동국대학교 컴퓨터·AI학부 임상수 교수 연구팀이 과학기술정보통신부 바이오·의료기술개발사업 인공지능바이오 분야의 ‘바이오 멀티모달 파운데이션 모델 구축사업’ 분야2에 선정됐다.이번에 선정된 'CellularSpace: 멀티모달 단일세포 CellularSpace FM 개발 및 활용' 과제는 4년 9개월간 총 76억 원 규모로 추진되며, 이 중 동국대 연구팀은 9.5억 원 규모의 연구비를 지원받아 AI 기반 약물 반응 예측 연구를 수행한다. 성균관대학교 이주상 교수가 주관연구책임자를 맡고, 이화여자대학교·동국대학교·부산대학교·삼성서울병원이 공동연구기관으로 참여한다.과제는 ADC 반응 예측, 신규 항암 타겟 및 디지털 바이오마커 발굴, 지능형 디지털 병리 진단 플랫폼 구축을 주요 목표로 제시하고 있으며, 이번 연구는 암 조직 사진·공간전사체·공간단백체 등 다양한 생체 정보를 AI가 함께 학습하도록 하는 것이 핵심이다. 현미경으로 보는 조직 사진에 유전자와 단백질 정보를 더해 암세포의 위치, 주변 세포와의 상호작용, 약물 반응 등을 예측하는 AI 모델을 만들 계획이다.임상수 교수팀은 이 중 약물 반응 예측과 작용기전 분석을 위한 AI 모델 개발을 담당한다. 특히 항암제 중 하나인 항체-약물 접합체(ADC)에 대해, 어떤 환자가 약물에 잘 반응할지 예측하고 새로운 치료 표적을 찾는 연구를 진행한다. 임상수 교수는 “이번 과제는 병리 이미지와 유전자 정보를 AI로 통합해 암의 특성과 약물 반응을 더 정밀하게 이해하려는 연구”라며 “동국대 연구팀은 약물 반응 예측과 치료 표적 발굴에 기여할 수 있는 AI 기술을 개발하겠다”고 밝혔다.연구팀은 "향후 개발된 AI 모델을 신약개발, 암 치료 반응 예측, 디지털 병리 진단 보조 기술 등에 활용할 계획"이라며 "연구용 모델과 데이터를 공개해 국내 바이오AI 연구 생태계 확산에도 기여하겠다"고 밝혔다.

강동현 교수 연구팀 석사과정 이찬용 학생, IEEE TCE 논문 게재 승인

강동현 교수 연구팀 석사과정 이찬용 학생, IEEE TCE 논문 게재 승인△ 왼쪽부터 동국대학교 컴퓨터·AI학과 석사과정 이찬용,동국대학교 컴퓨터·AI학과 강동현 교수컴퓨터∙AI학부 강동현 교수 연구팀(이찬용 석사과정, 강동현 교수)은모바일 디바이스 환경에서 스토리지 성능의 최적화를 위한 새로운 데이터 배치 구조를 제안하였으며, 해당 연구 성과는 모바일 시스템 분야 세계 최고 수준의 국제 학술지인 ‘IEEE Transactions on Consumer Electronics (IF=10.9, JCR 상위 2.9%) 저널’에 게재될 예정이다.모바일 환경에서도 데이터 집약적인 애플리케이션이 많이 활용됨에 따라 대용량 데이터를 효율적으로 관리하기 위한 고성능 저장장치의 성능이 더욱 중요해지고 있다. 이에 대응하기 위해 TLC(Triple Level Cell) NAND Flash 기반의 ZNS(Zoned Namespace) 스토리지가 최근 제안되었으나, 스토리지 내부의 물리적 특성을 충분히 고려하지 않아 고성능 저장장치 구현 및 최적화에 한계가 있었다.연구팀은 이러한 한계를 극복하기 위해 PoZS(Performance-oriented Zone Scheduler) 기법을 ZNS 스토리지 환경에서 새롭게 제안하였다. 해당 기법은 TLC NAND Flash 환경에서 셀마다 다른 입출력 Latency의 성능 특성을 분석하고 이를 활용하기 위해 스토리지 내부의 Zone을 새롭게 구성함으로써, 데이터의 I/O 처리 성능을 효율적으로 향상시킨다.실험 결과, 제안된 모델은 기존 기법 대비 모바일 및 서버 환경 모두에서 우수한 성능을 보였으며, 다수의 애플리케이션이 동시에 수행되는 환경에서도 우수한 성능을 입증하였다.그동안 TLC 기반 스토리지에 대한 다양한 선행 연구가 진행되어 왔으나, 기존 SSD와는 다른 구조를 가진 차세대 ZNS 스토리지 환경에서 TLC의 물리적 특성을 활용해 해결책을 제시한 연구는 이번이 처음이다.본 연구는 기본연구사업, AI융합혁신인재양성사업 등의 지원을 받아 수행하였다.

이철 교수 연구팀, IEEE TCSVT 논문 게재

이철 교수 연구팀, IEEE TCSVT 논문 게재(좌측부터) 원해양 박사과정, 전북대학교 이세호 교수, 동국대학교 이철 교수컴퓨터∙AI학부 이철 교수 연구팀(원해양 박사과정, 이철 교수, 전북대학교 이세호 교수)이 스크린샷 영상에서 발생하는 moiré(모아레) 왜곡을 효과적으로 제거하는 인공지능 기반 영상 복원 기술을 개발하여, 이를 세계적인 국제 학술지인 IEEE Transactions on Circuits and Systems for Video Technology(TCSVT)에 게재하였다.최근 스마트폰 등으로 화면을 촬영한 영상의 활용이 증가하면서, 디스플레이 촬영 과정에서 발생하는 모아레 왜곡은 영상 품질 저하뿐 아니라 OCR, 객체 인식 등 컴퓨터비전 기반 인공지능 시스템의 성능을 저해하는 주요 요인으로 지적되고 있다. 특히 고해상도 영상에서는 다양한 주파수 대역의 복잡한 모아레 왜곡으로 인해 기존 영상 복원 기술로는 이를 효과적으로 제거하는 데 한계가 있었다.기존의 딥러닝 기반 영상 복원 기술은 주로 복원 영상과 정답 영상 간의 차이를 최소화하는 방식으로 학습되어 복잡한 모아레 왜곡의 특성을 충분히 반영하지 못하는 한계가 있었다. 이에 연구팀은 대조학습(Contrastive Learning) 기반의 새로운 학습 기법을 개발하여, 단순 복원을 넘어 왜곡된 영상과의 관계를 효과적으로 활용하여 성능을 향상시키는 기술을 개발하였다.특히 본 연구에서는· 고해상도 영상에서 다양한 주파수의 모아레를 효과적으로 처리하기 위한 HiReSD-Net 네트워크를 설계하고,·모아레 생성 모델을 기반으로 학습 과정에서 동적으로 보조 음성 샘플(Auxiliary Negative Samples)을 생성하는 DiSCo-Learn 학습 기법을 제안하였다.이를 통해 기존 방법 대비 정량적 성능과 시각적 품질 모두에서 우수한 결과를 달성하였으며, 특히 고해상도 환경에서의 일반화 성능을 크게 향상시켰다. 또한 본 기술은 영상 복원뿐 아니라 객체 탐지 등 후속 컴퓨터비전 성능 향상에도 기여할 수 있어, 다양한 응용 분야에 활용 가능할 것으로 기대된다.HiReSD-Net 및 DiSCo-Learn 기술 개념도연구 결과는 “High-Resolution Screenshot Demoiréing with Auxiliary Negative Sample Generation-Based Contrastive Learning”라는 제목으로 영상처리 및 컴퓨터비전 분야 최상위 국제 학술지인 IEEE Transactions on Circuits and Systems for Video Technology(IF=11.1, JCR 상위 3.7%)에 26년 4월 온라인 게재되었으며 올해 하반기에 출판될 예정이다.논문 링크: https://doi.org/10.1109/TCSVT.2026.3681919

송수환 교수 연구팀, 'CVPR 2026' 논문 게재 승인

우리 대학 컴퓨터AI학부 송수환 교수 연구팀(참여: 최인성, 이시우 석사과정)이 제출한 논문이 컴퓨터비 전 분야 Top-Tier 학회인'CVPR 2026'에 최종 채택되었다.IEEE/CVF가 주관하는 CVPR은 Computer Vision 분야 최고 권위의 국제 학술대회로, 올해 행사는 2026 년 6월 3일부터 7일까지 미국 콜로라도 컨벤션 센터에서 열린다.▲ (왼쪽부터) 최인성 석사과정, 이시우 석사과정, 송수환 교수본 논문은 송수환 교수 연구팀의 최인성, 이시우 석사과정이 공동 1저자로 작성했으며, ‘Partial- Reference Image Quality Assessment (PR-IQA)’ 제목으로, 정답 이미지 없이도 확산 모델(Diffusion model)이 생성한 이미지의 품질을 평가하여 3D 복원 성능을 향상시키는 새로운 품질 평가 프레임워크 를 제안하였다. 기존의 확산 모델을 활용한 희소 시점 합성 기술들은 생성된 가상 이미지 내에 광학적 및 기하학적 불일치를 빈번하게 포함하여 이를 3D Gaussian Splatting (3DGS) 학습에 그대로 사용할 경 우 오히려 3D 복원 품질을 훼손시키는 한계를 보였다. 이를 연구팀은 서로 다른 시점 간의 기하학적 일관성을 바탕으로 '부분 품질 맵(Partial Quality Map)'을 먼저 도출하고, 참조 뷰의 문맥을 통합하는 교 차 주의(Cross-attention) 메커니즘을 통해 이를 고밀도의 전체 품질 맵으로 완성(Quality completion)해 내는 PR-IQA 프레임워크를 개발하였다.그림. 논문에서 제안하는 PR-IQA 기반 3DGS 생성 프레임워크

임상수 교수 연구팀 학부연구생 한예원 학생, ISMB 2026 논문 게재 승인

컴퓨터공학전공 학부생 1저자 참여… 오는 7월 ISMB 2026에서 발표 및Bioinformatics 저널 게재 예정△ 왼쪽부터 동국대학교 컴퓨터·AI학부 임상수교수, 동국대학교 AI소프트웨어공학부 컴퓨터공학전공 한예원학사과정동국대학교 컴퓨터AI학부 임상수 교수 연구팀이 인공지능 기반 약물 반응 예측 모델을 개발하고, 해당 연구 성과를 AI Bio 분야 세계 최고 권위의 국제학술대회인 ISMB (Intelligent Systems for Molecular Biology) Proceedings에발표할 예정이다. ISMB는 한국정보과학회 기준 우수국제학술대회 S등급에 해당하며, 이번 학회는 선정률 16%의 높은 경쟁률을 보였다. 또한 본 연구 결과는 생물정보학 분야 저명 국제학술지인 'Bioinformatics (JCR Rank상위 8.7%) 저널'에 게재될 예정이다.이번 연구는 컴퓨터공학전공 한예원 학생이 제1저자로 참여하여 수행되었으며, 학부 연구생이 해당 분야 최고 수준의 국제학술대회 논문의 주저자로 참여했다는 점에서 주목된다.최근 AI 기반 약물 반응 예측 연구는 화합물의 구조 정보와 세포의 유전자 발현 정보를 함께 활용하고 있으나, 두 정보를 독립적으로 처리하거나 단순 결합하는 방식이 주를 이루고 있다. 이로 인해 약물의 특정 화학 구조가 실제로 어떤 생물학적 경로에 영향을 미치는지에 대한 정밀한 이해에는 한계가 있었다.연구팀은 이러한 한계를 극복하기 위해 'DiSPA (Differential Substructure–Pathway Attention)'모델을 제안하였다. 해당 모델은 약물의 화학적 부분구조(substructure)와 세포의 경로 수준 유전자 발현(pathway-level gene expression) 간의 상호작용을 직접적으로 학습하도록 설계되었다. 특히, 양방향 상호작용을 반영하는 차별적 어텐션 메커니즘을 통해 불필요한 신호를 억제하고, 의미 있는 구조–생물학적 관계를 효과적으로 포착할 수 있도록 하였다.실험 결과, 제안된 모델은 다양한 평가 환경에서 기존 최신 기법 대비 우수한 예측 성능을 보였으며, 특히 새로운 약물이나 세포에 대한 예측이 요구되는 어려운 설정에서도 높은 일반화 성능을 확인하였다. 또한 모델이 학습한 어텐션을 통해 약물 구조와 생물학적 경로 간의 관계를 해석 가능한 형태로 제시할 수 있어, AI 기반 신약개발에서 중요한 '설명가능성(interpretability)'측면에서도 의미 있는 결과를 도출하였다.더 나아가 본 모델은 별도의 추가 학습 없이 공간 전사체(spatial transcriptomics) 및 단일세포 데이터(single-cell RNA-seq)에 적용되어, 조직 및 세포 유형별 약물 반응 패턴을 탐색할 수 있는 가능성도 확인하였다. 이는 다양한 생물학적 스케일에서 약물 반응을 이해할 수 있는 새로운 접근법을 제시한다는 점에서 의의가 있다.임상수 교수는 “이번 연구는 화학 구조와 생물학적 시스템 간의 상호작용을 직접 모델링함으로써 기존 약물 반응 예측 모델의 한계를 극복한 사례”라며, “AI 기반 정밀의학 및 신약개발 분야에서 보다 신뢰성과 해석 가능성을 갖춘 모델 개발에 기여할 것으로 기대된다”고 밝혔다.본 연구는 우수신진연구사업, 바이오의료기술개발사업, AI융합혁신인재양성사업, 대학ICT연구센터육성지원사업(ITRC) 등의 지원을 받아 수행하였다.

[전자신문] [미래 여는 AI·ICT R&D 우수성과]〈1〉동국대, 정부·IITP 지원으로 '췌장암' 간편·조기 진단 가능성 …

[미래 여는 AI·ICT R&D 우수성과]〈1〉동국대, 정부·IITP 지원으로 '췌장암' 간편·조기 진단 가능성 개척- 기사 바로가기 :https://www.etnews.com/20260323000137

성연식 교수 연구팀, 'CVPR 2026' 논문 채택

동국대 컴퓨터AI학부 성연식 교수 연구팀(Bassole Yipene CedricFrancois, 김성우, 정지우 석사과정) 인공지능 분야 Top Conference 'CVPR 2026' 논문 최종 채택동국대학교 컴퓨터AI학부 성연식 교수 연구팀의 논문이 인공지능 분야 국제 학술대회인 CVPR 2026 (IEEE/CVF Conference on Computer Vision and Pattern Recognition)에 최종 채택되었다. CVPR은 IEEE와 CVF에서 공동 주관하는 인공지능 분야 세계 최고 수준의 최상위 국제 학술학회로써 이번에는 채택률이 25.42% (4,090편/16,092편) 달할 만큼 경쟁이 치열했다. 이번 CVPR 2026은 오는 2026년 6월 3일부터 7일까지 미국 콜로라도 컨벤션 센터에서 개최될 예정이다.▲ (왼쪽부터) 동국대학교 컴퓨터·AI학과 Bassole Yipene CedricFrancois 석사과정, 동국대학교 컴퓨터·AI학과 김성우 석박통합과정, 동국대학교 컴퓨터·AI학과 정지우 석사과정, 동국대학교 컴퓨터·AI학과 성연식교수 본 논문은 성연식교수 연구팀의 Bassole Yipene CedricFrancois 석사과정이 제1저자로 작성했으며, ‘HybridDriveVLA: Vision-Language-Action model with Visual CoT reasoning and ToT Evaluation for Autonomous Driving’ 제목으로, 자율주행의 고도화된 추론 능력과 해석 가능성을 확보하기 위한 새로운 VLA(Vision-Language-Action) 모델 구조를 제안하였다. 기존의 VLA 기반 자율주행 시스템들은 시각 장면을 텍스트 기호로 변환하는 사고 연쇄(Chain-of-Thought) 방식에 의존하여 시각 정보가 가진 공간적 문맥을 충분히 활용하지 못했으며, 단일 경로 시퀀스만을 생성함으로써 주행의 다양한 요구사항을 정교하게 반영하지 못하는 한계를 보였다. 이를 연구팀은 시각적 사고 연쇄(Visual CoT)와 트리 형태의 사고(Tree-of-Thought)에서 영감을 얻은 경로 평가 메커니즘을 결합한 HybridDriveVLA를 개발하였다. 그림1.논문에서 제안한 프레임워크 구조

동국대 컴퓨터/AI학부 이우진 교수 연구팀, 거대언어모델(LLM) 안전성 취약점 분석 성과 발표

동국대 컴퓨터/AI학부 이우진 교수 연구팀, 거대언어모델(LLM) 안전성 취약점 분석 성과 발표동국대학교 이우진 교수 연구팀이 거대언어모델(LLM)의 안전성 취약점을 정밀하게 분석한 연구 성과를 발표했다.동국대는 정승원, 정지우, 김현진, 이윤석 연구원과 이우진 교수가 참여한 논문 ‘SlotGCG: Exploiting the Positional Vulnerability in LLMs for Jailbreak Attacks’가 세계적 권위의 인공지능 학회인 ICLR 2026(International Conference on Learning Representations)에 채택됐다고 밝혔다.이번 연구는 기존 LLM 보안 우회 공격이 프롬프트 끝부분에만 토큰을 추가하는 방식에 집중해 왔다는 한계에서 출발했다. 연구팀은 프롬프트 내부의 특정 위치에도 취약 지점이 존재한다는 점을 확인하고, 이를 정량화한 Vulnerable Slot Score(VSS)와 새로운 공격 프레임워크 ‘SlotGCG’를 제안했다.실험 결과 SlotGCG는 AdvBench 데이터셋과 Llama, Mistral, Vicuna, Qwen 등 다양한 공개 LLM에서 기존 방식보다 평균 약 14% 높은 성능을 보였고, 최대 10배 빠른 속도를 기록했다. 또 방어 기법이 적용된 환경에서도 기존보다 29% 높은 공격 성공률을 보여, 현재 LLM 방어 체계의 한계를 드러냈다.연구팀은 이번 연구가 단순히 공격 기법을 제안하는 데 그치지 않고, 거대언어모델이 어떤 위치 정보에 취약한지를 체계적으로 이해해 보다 견고한 방어 기법을 설계하기 위한 AI 안전성 검증 및 레드팀 연구라는 점에서 의미가 크다고 설명했다. 특히 프롬프트 내 위치별 취약성을 계량적으로 분석했다는 점에서 향후 대규모 언어모델의 안전성 평가, 정렬(alignment) 기술 고도화, 방어 프레임워크 설계에 폭넓게 활용될 것으로 기대된다.연구팀은 앞으로 다양한 모델과 실제 서비스 환경에서의 인공지능 취약성 파악과 안전한 인공지능 개발을 목표로 연구를 이어갈 계획이다.이번 논문 ‘SlotGCG: Exploiting the Positional Vulnerability in LLMs for Jailbreak Attacks’는 4월 브라질 리우데자네이루에서 개최되는 ICLR 2026에서 발표될 예정이다.

동국대 이우진 교수팀, AI '과잉 망각' 해결한 언러닝 기술로 ICLR 2026 채택

동국대 이우진 교수팀, AI '과잉 망각' 해결한 언러닝 기술로 ICLR 2026 채택왼쪽부터) 김미소 연구원, 이거루 연구원, 김윤지 연구원, 김호기 교수, 박진성 연구원, 이우진 교수동국대학교(총장 윤재웅) 컴퓨터AI학부 이우진 교수 연구팀이 제안한 머신 언러닝(Machine Unlearning) 관련 연구 논문이 세계 최고 권위의 인공지능 학회인 ‘ICLR(International Conference on Learning Representations) 2026’에 채택됐다고 밝혔다.이번 연구에는 동국대학교 컴퓨터학부 이우진 교수 연구실의 김미소 연구원, 이거루 연구원, 김윤지 연구원, 중앙대학교 김호기 교수, 고등과학원 박진성 연구원이 참여했다. 연구팀은 생성형 AI 모델에서 특정 유해 콘텐츠를 삭제하면서도, 그와 결합된 유익한 핵심 정보는 완벽히 보존하는 새로운 최적화 프레임워크인 ‘ReCARE(Robust erasure for CARE)’를 제시했다.기존의 AI 망각(Unlearning) 기술은 유해한 데이터(예: 누드, 저작권 이미지)를 지우는 과정에서, 이와 함께 자주 등장하는 정상적인 개념까지 의도치 않게 삭제해 버리는 ‘과잉 망각’의 한계가 있었다. 예를 들어 누드 이미지를 삭제하려다 모델이 ‘사람’ 자체를 생성하지 못하게 되는 식이다.연구팀은 이러한 문제를 해결하기 위해 반드시 보존해야 할 공통 개념을 ‘CARE(Co-occurring Associated Retained concepts)’로 정의하고, 이를 정량적으로 측정할 수 있는 ‘CARE score’를 세계 최초로 제안했다. 또한, ReCARE 프레임워크를 통해 유해 정보만을 정밀하게 타격해 삭제하면서도 CARE 세트를 활용해 모델의 일반적인 성능과 유익한 개념은 안정적으로 보호하는 데 성공했다.실험 결과, ReCARE는 NSFW, 스타일, 특정 사물 등 다양한 삭제 작업에서 기존 세계 최고 수준(SOTA) 모델들보다 우수한 성능을 입증했다. 특히 적대적 공격(Adversarial Attack) 상황에서도 유해 콘텐츠 생성을 효과적으로 차단하는 강력한 방어 성능을 보여주었다.연구팀은 “이번 연구는 AI가 잘못된 정보를 학습했을 때 이를 안전하게 수정하면서도 인공지능 고유의 지능은 유지할 수 있는 핵심 기술”이라며, “사용자의 ‘잊혀질 권리’를 보호하고 더욱 안전하고 신뢰할 수 있는 생성형 AI 환경을 구축하는 데 기여할 것으로 기대한다”고 밝혔다.한편, 이번 연구 성과는 오는 4월 브라질에서 개최되는 ICLR 2026 현장에서 발표될 예정이다.