| 시간 | 발표 제목 | 좌장/연사 |
|---|---|---|
| 09:30~09:50 | 등록 | |
| 09:50-10:00 | 인사말 및 개회 | 한연희 회장 |
| 좌장: 한연희 교수 | ||
| 10:00-10:45 | Tutorial on Deep Learning Approaches to Time-Series Analysis: From Forecasting to Generation | 이창희 교수 (고려대) |
| 본 단기강좌에서는 딥러닝 관점에서 시계열 분석의 핵심 문제 설정과 모델링 패러다임을 체계적으로 소개한다. 먼저 예측 중심의 딥러닝 모델의 네트워크 아키텍쳐에 따른 원리와 한계를 살펴보고, 자기지도학습(Self-Supervised Learning) 등의 시계열 표현 학습 방법을 다룬다. 이어서 시계열 기반의 설명가능한 AI(XAI) 모델과 최신 생성 모델을 소개한다. 이를 통해 시계열 딥러닝 모델들을 개별 기법의 나열이 아닌 체계화된 스펙트럼으로 이해하고, 실제 문제에 적합한 모델링 전략을 설계할 수 있도록 돕는 것을 목표로 한다. | ||
| 10:45-11:30 | LLM Reasoning and Planning for Interactive Environments: From Supervised Fine-tuning to Reinforcement Learning | 권민혜 교수 (성균관대) |
| 최근 대규모 언어모델(LLM) 오픈소스가 다양하게 공개되면서, 이를 사용자의 목적에 맞게 활용하려는 연구와 응용이 빠르게 확산되고 있다. 특히 추론(Reasoning)과 계획(Planning) 능력을 강화하기 위해 ReAct, Reflexion과 같은 프롬프팅 기반 접근법부터, Supervised Fine-tuning(SFT)을 활용한 post-training 기법, 그리고 GRPO와 같은 Reinforcement Learning(RL) 기반 post-training 방법까지 다양한 전략이 제안되고 있다. 본 단기강좌에서는 환경과의 상호작용을 전제로 하는 LLM agent를 대상으로, 고성능의 추론 및 계획 능력을 구현하기 위한 핵심 개념과 방법론을 체계적으로 소개한다. 이를 통해 프롬프팅, SFT, RL 기반 접근법의 역할과 한계를 비교하고, 실제 인터랙티브 환경에서 효과적인 LLM agent 학습을 위한 기본적인 내용을 다룬다. | ||
| 11:30~13:00 | 점심 | |
| 좌장: 박형곤 교수 | ||
| 13:00-13:45 | From Theory to Standard: AI-Based CSI Compression in Next-Gen Wireless Communication Systems | 이형택 교수 (이화여대) |
| 3GPP Rel. 20에서는 무선 통신 시스템의 물리 계층에 AI를 도입하기 위한 논의가 가속화되고 있다. 본 발표에서는 다중 안테나 (MIMO) 시스템의 성능을 좌우하는 핵심 요소인 CSI feedback 과정의 효율성을 높이기 위해, AI를 활용한 CSI compression 기법을 중점적으로 고찰한다. 이를 위해 기존 CSI feedback의 기본 메커니즘을 개괄하고, 최근 학계의 연구 결과와 표준화 단체에서 논의 중인 AI 기반 CSI compression 기술 동향을 종합적으로 분석한다. | ||
| 13:45-14:30 | AI in PHY under Non-Stationary Wireless Environments: Channel Prediction and Environmental Adaptation Perspectives | 김환진 교수 (경북대) |
| 본 발표에서는 무선 물리계층에서 AI가 필요한 근본적인 원인을 무선 환경의 비정상성 (Non-statinary) 관점에서 재조명한다. 시간적 채널 예측과 환경 적응 문제를 구분하여, 각 문제에 적합한 AI 기반 학습 구조를 논의하고, 메타 러닝 및 환경 인지형 학습 기법의 장단점을 실제 CSI 기반 실험을 통해 분석한다. 이를 바탕으로, 차세대 무선 시스템에서의 AI 기반 PHY 설계 방향을 제시한다. | ||
| 14:30~14:45 | Break | |
| 좌장: 박형곤 교수 | ||
| 14:45-15:30 | Agentic AI-based Mobile Network Management | 고한얼 교수 (경희대) |
| Agentic AI 개념을 모바일 네트워크 지능화에 적용하려는 연구가 활발히 진행되고 있다. 본 발표에서는 자체 구축한 Agentic AI 기반 모바일 네트워크 관리 프레임워크를 소개하고, 이를 통해 구현 가능한 네트워크 관리 및 최적화 유즈케이스를 중심으로 해당 접근법의 가능성을 살펴본다. | ||
| 15:30-16:15 | Prompt to Optimize: Leveraging Large Language Models for Wireless Network Optimization | 이훈 교수 (UNIST) |
| 최근 대규모 언어 모델(LLM)을 통신 네트워크 자동화에 접목하려는 연구가 활발히 진행되고 있다. 본 발표에서는 무선 네트워크의 관리 및 최적화를 위한 LLM 기반 방법론을 심도 있게 고찰하고, 최신 연구 사례를 분석하여 해당 접근법이 갖는 기술적 효용성과 한계점을 논의한다. | ||
| 16:15-17:00 | Distributed and Federated Learning with Coding over Constrained Networks | 권정민 교수 (강원대) |
| 최근 AI 모델의 학습과 추론이 모바일·엣지·네트워크 환경으로 확장되면서, 시스템은 통신 지연, 자원 편차, 부분 정보, 손실 등 다양한 제약 속에서 동작하게 된다. 본 강좌에서는 이러한 불완전한 조건에서 AI 기반 서비스가 일관된 성능과 효율을 확보하기 위한 핵심 개념을 소개한다. 이를 위해 redundancy, compression, partial update와 같은 기법을 중심으로, 모델 학습 및 추론 과정이 통신·계산·자원 제약과 결합될 때 나타나는 설계 문제를 다룬다. 또한 network coding, coded computation, federated learning 등 여러 접근 방식에서 공통적으로 등장하는 설계 요소를 정리하여, AI 기반 분산 시스템의 확장성과 신뢰성을 높이기 위한 기초 원리를 전달하는 것을 목표로 한다. | ||
