NeurIPS 2026Conference
GAPS: Gradient-Aware Adaptation-Gap Scoring for Time-Series Anomaly Detection with Foundation Models
파운데이션 모델을 활용한 시계열 이상 탐지를 위한 Gradient-Aware Adaptation-Gap Scoring 연구입니다.
연구 자세히 보기LST Lab.
확률시스템 이론에서
신뢰할 수 있는
산업 AI까지.
POSTECH 산업경영공학과 확률시스템 연구실은 불확실성을 모델링하고, 데이터에서 배우며, 실제 시스템의 의사결정으로 연결합니다. 확률과정·대기이론·최적화의 수학적 기반 위에서 제조·소재 파운데이션 모델, Graph Ontology, Queueing-Informed Machine Learning을 연구합니다.
MODEL · LEARN · DECIDERESEARCH VISION
데이터의 표현 · 지식의 맥락 · 시스템의 동적 구조
Research directions
세 가지 연구축, 하나의 문제의식.
복잡한 산업 시스템을 어떻게 이해하고, 학습하고, 더 나은 의사결정으로 연결할 것인가?
01
MFM & MatFM
제조·소재
파운데이션 모델
제조 공정과 소재·화합물 데이터를 학습하고, 다양한 현장과 과제에 적응하는 모델을 연구합니다.
MultimodalGeneralizationSpecialization
연구 자세히 보기
02
Personalization & Enterprise Context
Graph Ontology
개인·아이템·문서·업무의 관계를 구조화하여 개인화 추천과 기업 문서의 맥락 이해를 연구합니다.
Knowledge GraphOntologyContext
연구 자세히 보기
03
Operational Dynamics & Learning
Queueing-Informed
Machine Learning
대기이론에서 얻은 시스템의 동적 구조를 학습에 반영하여, 관측이 부족한 운영시스템을 이해합니다.
Queueing TheoryFluid ModelsML
연구 자세히 보기
세 연구축은 각자의 연구 문제를 발전시키며, 장기적으로 데이터 표현·지식 맥락·운영 동역학의 연결을 지향합니다. 아래 구조도는 연구 개요이며, 완성된 단일 통합 모델을 의미하지 않습니다.
Selected publications
아이디어에서, 연구 성과로.
시계열 파운데이션 모델과 구조를 반영한 학습에 관한 최근 연구입니다.
ICLR 2026Conference
Complexity- and Statistics-Guided Anomaly Detection in Time Series Foundation Models
데이터 복잡도와 통계적 특성을 활용해 시계열 파운데이션 모델의 이상 탐지 문제에 접근합니다.
연구 자세히 보기ICML 2026Conference
Monotonic Variational Gaussian Process for Efficient Data Collection
단조성에 관한 지식을 가우시안 프로세스에 반영하여 효율적인 데이터 수집을 다룹니다.
연구 자세히 보기TMLR 2026Journal
Patch-based Memory Gate Model in Time Series Foundation Model
정상 패턴을 기억하는 패치 단위 메모리를 시계열 파운데이션 모델에 결합하여 이상 탐지를 연구합니다.
연구 자세히 보기수학으로 이해합니다.
확률과정, 대기이론, 신뢰성, 최적화로 시스템을 설명하는 원리를 탐구합니다.
실제 문제를 다룹니다.
제조·반도체·서비스 시스템의 데이터와 제약에서 새로운 연구 질문을 발견합니다.
자신의 연구를 만듭니다.
문제 정의부터 모형화, 구현, 검증, 논문 작성까지 연결되는 연구를 지향합니다.
Beyond graduation
연구는 다양한 진로로 이어집니다.
졸업생들이 이어가는 산업계와 학계의 연구 경로를 소개합니다.
SK hynixSamsung ElectronicsSamsung ResearchLG ElectronicsHD HyundaiAcademia
