유튜브 스트리밍 예정입니다.

1. 일시: 2025년 3월 27일(목), 15:00-17:00​
2. 장소: 판교 테크노밸리 산업수학혁신센터 세미나실​
3. 경기 성남시 수정구 대왕판교로 815, 기업지원허브 231호 국가수리과학연구소 / 무료주차는 2시간 지원됩니다.​
4. 발표자: 김연응 교수(서울과학기술대학교)​
5. 주제: Hamilton–Jacobi Based Policy-Iteration via Deep Operator Learning​The framework of deep operator network (DeepONet) has been widely exploited thanks to its capability of solving high dimensional partial differential equations. In this talk, we incorporate DeepONet with a recently developed policy iteration scheme to numerically solve optimal control problems and the corresponding Hamilton–Jacobi–Bellman (HJB) equations. A notable feature of our approach is that once the neural network is trained, the solution to the optimal control problem and HJB equations with different terminal functions can be inferred quickly thanks to the unique feature of operator learning. Furthermore, a quantitative analysis of the accuracy of the algorithm is carried out via comparison principles of viscosity solutions. The effectiveness of the method is verified with various examples, including 10-dimensional linear quadratic regulator problems (LQRs). This talk is based on the joint work with Jae Yong Lee at Chung-Ang University.

유튜브 스트리밍 예정입니다.

1. 일시: 2025년 3월 27일(목), 13:00-15:00​
2. 장소: 판교 테크노밸리 산업수학혁신센터 세미나실​
3. 경기 성남시 수정구 대왕판교로 815, 기업지원허브 231호 국가수리과학연구소 / 무료주차는 2시간 지원됩니다.​
4. 발표자: 김재경 교수(카이스트)​
5. 주제: Advancing Static and Time-series data: Random Matrix Theory, Causal Inference and Mathematical Modeling​In this talk, I will discuss methods for extracting meaningful information from static and time-series data. For static data, Principal Component Analysis (PCA) is widely used to detect signals in noisy datasets. However, determining the appropriate number of signals often relies on subjective judgment. I will introduce an approach based on random matrix theory to objectively select the optimal number of signals. For time-series data, causal inference techniques such as Granger causality are commonly employed. Unfortunately, these methods often yield high false-positive rates. I will present a novel mathematical model-based approach to causal inference. Finally, I will talk about how to use mathematical modelign approach to analyze time-series data with an example of wearable data.

유튜브 스트리밍 예정입니다.

1. 일시: 2025년 3월 20일(목), 10:30-12:30​
2. 장소: 판교 테크노밸리 산업수학혁신센터 세미나실​
3. 경기 성남시 수정구 대왕판교로 815, 기업지원허브 231호 국가수리과학연구소 / 무료주차는 2시간 지원됩니다.​
4. 발표자: 최재웅 교수(성균관대학교)​
5. 주제: Advancing Neural Optimal Transport: Improving Stability and Overcoming Fake Solutions​Neural Optimal Transport (OT) has emerged as a powerful tool for generative modeling and image-to-image translation, but existing methods suffer from instability and fake solutions. In this talk, I will introduce two recent advancements that address these issues. First, I will present Displacement Interpolation Optimal Transport Model (DIOTM), which stabilizes training by leveraging displacement interpolation. Second, I will discuss Optimal Transport Plan learning (OTP), a novel approach that overcomes fake solutions by introducing smoothing on the source measure. These methods improve the reliability of neural OT, expanding its effectiveness in machine learning applications.

유튜브 스트리밍 예정입니다.

1. 일시: 2025년 2월 19일(수), 14:00-16:00​
2. 장소: 판교 테크노밸리 산업수학혁신센터 세미나실​
3. 경기 성남시 수정구 대왕판교로 815, 기업지원허브 231호 국가수리과학연구소 / 무료주차는 2시간 지원됩니다.​
4. 발표자: 최현석 박사(딥노이드)​
5. 주제: 멀티모달 시대의 의료인공지능: 영상에서 언어로​
   • 의료 인공지능(AI)은 의료진의 보조 도구로 활용되어 진단 정확도를 높이고 업무 효율성을 개선할 수 있다.
   • 딥러닝을 활용한 영상 분석 기술이 영상의학과, 병리과 등에서 큰 역할을 할 것으로 기대한다.
   • 의료AI의 성능을 높이려면 양질의 데이터 확보와 정교한 알고리즘 개발이 필수적.
   • AI가 의료 현장에서 실질적으로 활용되려면 법적, 윤리적 문제 해결이 필요.
   • 의료진과 AI의 협업이 중요하며, AI는 인간을 대체하는 것이 아니라 보조하는 역할을 해야 한다.
   • 환자 데이터 보호와 개인정보 보안이 의료AI 개발에서 중요한 요소라고 생각한다.
   • AI가 의료 비용 절감과 의료 접근성을 향상시키는 데 기여할 수 있다.
   • 의료진이 AI를 신뢰하려면 투명한 알고리즘과 해석 가능성이 보장되어야 한다.
   • 지속적인 연구개발과 임상 검증을 통해AI의 신뢰도를 높이는 것이 중요하다.
   • 궁극적으로 의료AI가 인간의 건강과 생명을 지키는 데 실질적인 도움을 줄 수 있어야 한다.

유튜브 스트리밍 예정입니다.

1. 일시: 2025년 2월 18일(화), 10:00-12:00​
2. 장소: 판교 테크노밸리 산업수학혁신센터 세미나실​
3. 경기 성남시 수정구 대왕판교로 815, 기업지원허브 231호 국가수리과학연구소 / 무료주차는 2시간 지원됩니다.​
4. 발표자: 박선철 교수(한양대학교)​
5. 주제: An Introduction to Extreme Value Statistics

​In this presentation, we briefly introduce the branch of extreme value statistics. In extreme value statistics, people have an interest in the tail of the distribution, not the mean part of the distribution. In this presentation, we introduce popular probability distributions for extreme value analysis, such as generalized extreme value (GEV) distribution and generalized Pareto distribution (GPD). Recent advances in incorporating machine learning techniques in extremes are also introduced.

1. 일시: 2025년 2월 13일(목), 14:00-16:00​
2. 장소: 판교 테크노밸리 산업수학혁신센터 세미나실​
3. 경기 성남시 수정구 대왕판교로 815, 기업지원허브 231호 국가수리과학연구소 / 무료주차는 2시간 지원됩니다.​
4. 발표자: 김미경(CLO Virtual Fashion)​
5. 주제: 디지털 패션에서의 컴퓨터 그래픽스

​본 세미나에서는 컴퓨터 그래픽스의 전반적인 개념과 다양한 응용 분야를 소개한 후, 디지털 패션 산업에서의 활용에 대해 살펴봅니다. 특히, 클로버추얼패션에서 적용된 기술을 중심으로, 가상 의류 시뮬레이션과 3D 패션 디자인에서 활용되는 그래픽스 기법을 소개할 예정입니다. 또한, 디지털 패션에서 요구되는 다양한 기술적 과제를 해결하기 위해 적용되고 있는 수학적 모델링과 딥러닝 기반 접근 방식을 소개하며, 이를 통해 수학적 기법과 머신러닝이 실제 산업에서 어떻게 활용되고 있는지를 공유하고자 합니다. 나아가, 이러한 사례를 바탕으로 응용수학이 활용될 수 있는 새로운 분야에 대한 시각을 제공하고자 합니다.

유튜브 스트리밍 예정입니다.

1. 일시: 2025년 2월 4일(화), 14:00-16:00

2. 장소: 판교 테크노밸리 산업수학혁신센터 세미나실

3. 경기 성남시 수정구 대왕판교로 815, 기업지원허브 231호 국가수리과학연구소 / 무료주차는 2시간 지원됩니다.

4. 발표자: 최재영(한국외국어대학교)

5. 주제: Ensemble Deep Network Learning and Its Applications

Ensemble learning is one of the most popular techniques in the area of machine learning (ML) and pattern recognition. In traditional ensemble learning, multiple ML models are constructed and outcomes each coming from individual ML models are optimally combined for the purpose of improving recognition, classification, and prediction performances. In this talk, I explain “ensemble deep network (EDN) learning” that apply ensemble learning techniques to recently developed deep network models, considering the following two important issues: (a) how to construct an optimal set of deep network ensemble with minimum correlation and (b) how to optimally combine deep network ensemble with the goal of obtaining maximum performance improvement. Also, this talk presents how the proposed EDN learning has been used to improve performance in practical applications such as image recognition, fine dust predictions, and time-series data predictions.

1. 일시: 2025년 1월 21일(화), 10:30-12:30

2. 장소: 판교 테크노밸리 산업수학혁신센터 세미나실

3. 경기 성남시 수정구 대왕판교로 815, 기업지원허브 231호 국가수리과학연구소 / 무료주차는 2시간 지원됩니다.

4. 발표자: 박준서 (고등과학원)

5. 주제: tLaSDI: Thermodynamics-informed latent space dynamics identification

We propose a latent space dynamics identification method, namely tLaSDI, that embeds the first and second principles of thermodynamics. The latent variables are learned through an autoencoder as a nonlinear dimension reduction model. The latent dynamics are constructed by a neural network-based model that precisely preserves certain structures for the thermodynamic laws through the GENERIC formalism. An abstract error estimate is established, which provides a new loss formulation involving the Jacobian computation of autoencoder. The autoencoder and the latent dynamics are simultaneously trained to minimize the new loss. Computational examples demonstrate the effectiveness of tLaSDI, which exhibits robust generalization ability, even in extrapolation. In addition, an intriguing correlation is empirically observed between a quantity from tLaSDI in the latent space and the behaviors of the full-state solution.

유튜브 스트리밍 예정입니다.

1. 일시: 2025년 1월 16일(목), 10:30-12:30

2. 장소: 판교 테크노밸리 산업수학혁신센터 세미나실

3. 경기 성남시 수정구 대왕판교로 815, 기업지원허브 231호 국가수리과학연구소 / 무료주차는 2시간 지원됩니다.

4. 발표자: NO ALBERT(연세대학교)

5. 주제: Understanding Memorization in Generative Models via Sharpness in Probability Landscapes

In this talk, we introduce a geometric framework to analyze memorization in diffusion models using the eigenvalues of the Hessian of the log probability density. We propose that memorization arises from isolated points in the learned probability distribution, characterized by sharpness in the probability landscape, as indicated by large negative eigenvalues of the Hessian. Through experiments on various datasets, we demonstrate that these eigenvalues effectively detect and quantify memorization. Our approach provides a clear understanding of memorization in diffusion models and lays the groundwork for developing strategies to ensure secure and reliable generative models