결측치에 강건한 Gradient Boosting 모델과 음성 상담 데이터 기반 자동 매칭 시스템을 연구했고, 세션·유저·금융 데이터를 통합한 추천 모델을 설계해 콜드스타트 사용자에서의 성능을 개선했습니다. 대규모·불완전 데이터 위에서 머신러닝 파이프라인이 효율적이고 견고하게 동작하도록 만드는 데이터 중심 ML 시스템 연구에 관심을 두고 있습니다.
학사과정 · GPA 4.08 / 4.5
가톨릭대학교 · 지도교수 장재연
추천시스템 · 결측치 강건 학습 · 산학협력 연구 수행
결측치를 대체(보간)하지 않고, 학습 과정에서 각 피처의 예측 기여도(S₁)와 학습 유용성(S₂)을 동적으로 평가해 부스팅 라운드마다 feature sampling 확률을 적응적으로 조정하는 GBDT 기반 모델을 제안했습니다. Ion·Adult·Hotel 벤치마크에서 XGBoost·CatBoost·LightGBM과 비교해 결측률 증가에도 안정적인 성능을 확인했습니다.
프로젝트 상세 보기 ↗환자·보호자 상담 음성으로부터 키워드를 추출하고 간병인 메타데이터와 결합해 매칭 모델 학습용 데이터셋을 자동 생성하는 방법을 고안했습니다. 오디오 3분 단위 분할로 STT 평균 CER을 0.20 → 0.01로 개선하고, SENSOR·STT·LABELING·FIT·MATCHING 5개 모듈 파이프라인을 설계했습니다.
프로젝트 상세 보기 ↗페이지 이동 세션 로그(GRU 인코더)와 유저 메타데이터(MLP 인코더)를 결합하는 Two-Encoder 아키텍처로 대출 상품 전환 가능성이 높은 유저를 예측합니다. Concat과 Attention 결합 방식을 비교하고, 결제 메타데이터가 비어 있는 콜드스타트 유저에서 세션 시퀀스가 강한 신호가 됨을 확인했습니다.
프로젝트 상세 보기 ↗