국가 AI 연구거점 참여 KAIST 오태현 교수팀, ICML 2026서 연구 3건 발표

국가AI연구거점(NAIRL) 참여 연구진인 KAIST 전산학부 오태현 교수 연구팀이 ICML 2026에서 효율적 모델 튜닝, 신뢰성 있는 영상 복원, 그리고 최신 AI 모델의 숨은 능력에 관한 연구 성과 3건을 발표합니다.

첫 번째 연구 「A Language-Guided Bayesian Optimization for Efficient LoRA Hyperparameter Search」는 거대 모델 파인튜닝 비용을 줄이는 방법입니다. 좋은 LoRA 설정값을 찾으려면 보통 수만 개 조합을 탐색해야 하는데, 연구팀은 사전학습된 언어모델이 각 설정값의 역할을 자연어로 설명하게 해 유망한 후보로 탐색 방향을 잡았습니다. 그 결과 표준 탐색이 약 4만 5천 개 조합을 살펴보는 데 반해, 약 30회 탐색만으로 20% 이상 향상된 성능에 도달했습니다.

두 번째 연구 「Measurement-Consistent Langevin Corrector for Stabilizing Latent Diffusion Inverse Problem Solvers」는 의료·위성 영상 등에서 손상된 영상을 복원하는 AI의 신뢰성을 높입니다. 기존 방법은 실제 데이터에 충실하면서 모델이 학습한 특성을 반영하는 일 사이에서 균형을 맞추기 어려워 복원이 불안정했습니다. 연구팀은 생성 과정을 실제 측정값과 일관되게 유지하면서 왜곡을 보정하는 방법으로 복원의 안정성과 신뢰성을 끌어올렸습니다.

세 번째 연구 「Zero-Shot Rankability」는 멀티모달 거대언어모델(MLLM)이 따로 배우지 않고도 작다-크다, 어둡다-밝다 같은 순서를 이미 이해하고 있음을 밝혀냈습니다. CLIP 등 기존 비전-언어 모델은 이를 어려워했지만, 연구팀은 MLLM이 처음부터 이러한 순서 감각을 내포하고 있음을 발견하고, 그 원인을 조건부 임베딩과 보는 정보·읽는 정보 사이의 작은 격차에서 찾았습니다.

국가AI연구거점은 앞으로도 AI의 효율성과 신뢰성, 그리고 이해를 진전시키는 연구 성과를 국내외 AI 커뮤니티에 지속적으로 소개해 나갈 예정입니다.

🔗 Language-Guided BO: https://arxiv.org/abs/2602.11171 / 프로젝트 페이지: https://baekseongeun.github.io/lora-bo/
🔗 Measurement-Consistent Langevin Corrector: https://arxiv.org/abs/2601.04791