LAMDA Lab(지도교수: 오하영) 연구 논문 5편: CIKM 2026(3편) / ACCV 2026(1편) / BIBM 2026(1편) 에 게재 승인

LAMDA Lab(지도교수: 오하영)의 연구 논문 3편이 데이터 마이닝 분야의 top-tier 국제학술대회인 CIKM 2026*에 게재 승인, 연구 논문 1편이 컴퓨터 비전 분야의 top-tier 국제학술대회인 ACCV 2026*에 게재 승인, 연구 논문 1편이 생물정보학 분야의 top-tier 국제학술대회인 BIBM(IEEE International Conference on Bioinformatics and Biomedicine) 2026*에 게재 승인되었습니다. Main Track 1편 1) 제목: S2R-Merge: Soft-Gated Routing with Structural Node Merge Optimization 왼쪽부터 유상현(인공지능융합학과 석사과정), 김기성(인공지능융합학과 석박통합과정), 박진경(인공지능융합학과 석사과정), LAMDA Lab 오하영 교수 키워드: Large Language Models, Multi-Agent Systems, Soft-Gated Routing, Node Consolidation, Communication Graph Optimization, Token-Efficient Reasoning 주요 내용 LLM 기반 다중 에이전트 시스템(Multi-Agent System)은 여러 전문 에이전트의 협업을 통해 복잡한 추론 성능을 향상시킬 수 있지만, 에이전트 수가 증가함에 따라 통신 비용과 토큰 사용량이 크게 증가하는 문제가 있습니다. 기존 구조 최적화 방법 들은 중요도가 낮은 에이전트나 연결을 제거하여 비용을 줄이지만, 이 과정에서 각 에이전트가 보유한 역할별 정보가 손실될 수 있으며 전체 에이전트 풀을 먼저 활성화해야 하는 한계가 있습니다. 본 논문은 불확실성을 고려한 2-Stage Soft-Gated Router를 통해 질의에 필요한 에이전트만 선택하고, 통신 그래프에서 구조적으로 비효율적인 에이전트를 관련 에이전트에 병합하면서 Prompt-level Fusion으로 역할 정보를 보존하는 S2R-Merge 프레임워크를 제안하여, 추론 성능을 유지하거나 향상시키면서 다중 에이전트 시스템의 통신 구조와 토큰 사용량을 효과적으로 최적화합니다. S2R-Merge 논문에서 제안된 프레임워크 Short Track 2편 2) 제목: Less Is More: Knowledge Graph Construction and Schema-Guided Canonicalization with LLMs 왼쪽부터 박황선(실감미디어공학과 석박통합과정), 양하연(인공지능융합학과 석사과정), 손동영(인공지능융합학과 석사졸업), 송명석(인공지능융합학과 석사과정) ,LAMDA Lab 오하영 교수 키워드: Knowledge Graph Construction, Knowledge Graph Canonicalization, Knowledge Graph Schema, Large Language Models, Retrieval Augmented Generation 주요 내용: 지식 그래프(Knowledge Graph) 구축은 다양한 데이터 소스로부터 지식을 추출하고 통합하여 엔티티와 관계로 구성된 구조화된 그래프를 생성하는 과제입니다. 기존 LLM 기반 방법들은 지식 추출 성능에 집중하여, 생성된 엔티티와 관계의 중복 및 의미적 불일치를 충분히 해결하지 못하고, 유사도 기반 병합 과정에서 의미적으로 다른 지식이 잘못 통합되는 한계가 있었습니다. 본 논문은 엔티티 타입과 관계 구조로부터 스키마를 유도하고, 이를 제약 조건으로 활용해 의미적으로 호환되는 후보만 선택적으로 병합하는 스키마 기반 정규화(Schema-Guided Canonicalization) 프레임워크를 제안하여, 정보 손실을 최소화하면서 더욱 간결하고 일관된 지식 그래프 구축과 RAG 성능을 향상시킵니다. Less Is More 논문에서 제안된 프레임워크 3) 제목: When Visual Frames Flip Mental-State Answers: An Item-Level Audit of Multimodal Theory-of-Mind Reasoning 왼쪽부터 김태훈(인공지능융합학과 석사과정), 김민주(인공지능융합학과 석사과정), 홍서현(인공지능융합학과 석사과정), LAMDA Lab 오하영 교수 키워드: Multimodal question answering, Theory of Mind, Vision-language models, Item-level evaluation, Diagnostic prompting 주요 내용 멀티모달 마음이론(Theory of Mind) 추론은 영상과 텍스트를 바탕으로 타인의 믿음, 목표, 의도를 파악하는 과제입니다. 기존 연구는 시각 정보를 추가하면 추론 성능이 향상될 것으로 기대하지만, 모델이 시각적 증거를 질문의 조건과 대상에 정확히 연결하지 못해 오히려 성능이 저하될 수 있으며, 기존의 종합 정확도만으로는 이러한 오류의 원인을 구체적으로 파악하기 어렵다는 한계가 있습니다. 본 논문은 입력 유형별 성능과 문항별 오류 양상을 체계적으로 분리하는 증거 감사(Evidence Audit) 프레임워크와 질문의 조건·대상·정신 상태를 명시적으로 분석하는 QLogic 진단 기법을 제안합니다. 이를 통해 시각 정보가 믿음 추론에는 효과적이지만 단순한 멀티모달 결합이 항상 성능 향상으로 이어지지는 않으며, 주요 병목이 증거 부족보다 증거와 질문 논리 간의 정렬 실패에 있음을 규명하였습니다. 본 연구는 멀티모달 추론 모델의 오류를 증거 유형과 추론 단계별로 진단할 수 있는 분석 기반을 마련하고, 필요한 증거를 선택하여 질문의 논리 구조와 정확히 연결하는 모델 설계 방향을 제시합니다. 본 논문에서 제안된 프레임워크 Main track 1) 제목 : Confidence Is Not Evidence; TAESAN for Evidence-Aware SelectivePrediction in Chest X-Rays 박지원(인공지능융합학과 석사과정), LAMDA Lab 오하영 교수 키워드 : Selective Prediction, Chest X-ray, Explainability, Evidence-Aware Abstention, Visual Evidence, Grad-CAM, Acquisition Context 주요 내용 : 흉부 X-ray(CXR) 분석에서 Selective Prediction은 일반적으로 모델의 예측 신뢰도(confidence)를 기준으로 신뢰도가 높은 예측만 수용하고 나머지는 보류(abstain)하지만, 높은 신뢰도가 실제로 올바른 시각적 근거를 사용했다는 것을 보장하지는 않습니다. 실제로 NIH ChestX-ray14에서 신뢰도가 가장 높은 상위 20% 예측 중 48.8%가 심각한 시각적 근거 불일치를 보였으며, 이는 모델이 높은 확신을 가지더라도 병변과 무관하거나 shortcut-like 영역에 의존할 수 있음을 보여줍니다. 본 논문은 이러한 문제를 정량화하기 위해 SEME(Severe Evidence-Mismatch Exposure)를 정의하고, 예측 신뢰도뿐 아니라 Grad-CAM 기반 시각적 근거의 faithfulness와 영상 경계 영역에 대한 의존도인 border evidence ratio를 함께 평가하는 post-hoc 선택적 예측 프레임워크 TAESAN을 제안합니다. TAESAN은 기존 모델을 재학습하지 않고도 confidence, perturbation-tested faithfulness, spatial shortcut evidence를 결합하여 예측을 수용하거나 보류합니다. 실험 결과, TAESAN-Balanced는 80% coverage에서 기존 confidence-only 방식과 유사한 accepted error를 유지하면서 SEME를 5.4%p 감소시켰으며, MIMIC-CXR 외부 stress test에서도 동일한 error–evidence trade-off 경향이 유지되었습니다. 또한 AP/PA 촬영 방식에 따라 모델의 confidence가 달라지는 acquisition-context confidence leakage 현상도 확인하여, 의료영상의 selective prediction에서는 단순한 예측 확률뿐 아니라 “모델이 실제로 올바른 시각적 근거를 보고 있는가”를 함께 검증해야 함을 보여줍니다. [ 본 논문에서 제안하는 TAESAN 프레임워크 도식 ] Short Paper 1편 제목: Cross-Subject EEG Emotion Recognition with Complex Correlation-Structured Connectivity 홍서현(인공지능융합학과 석사과정), LAMDA Lab 오하영 교수 키워드: EEG, Emotion Recognition, Cross-Subject Generalization, Functional Connectivity, Affective Computing 주요 내용 뇌파(EEG) 기반 감정 인식은 개인마다 생리적 신호 특성이 달라, 학습에 포함되지 않은 새로운 피험자의 감정을 정확히 분류하기 어렵다는 한계가 있습니다. 기존 방법들은 주로 주파수 대역별 파워 특징과 복잡한 딥러닝·도메인 적응 기법을 활용하지만, 개인별 스펙트럼 차이에 민감하며 뇌 영역 간 기능적 연결성을 충분히 활용하지 못했습니다. 본 논문은 채널 간 크기 및 위상 지연 관계를 함께 표현하는 복소 피어슨 상관 연결성(CPCC)을 상관 구조를 보존하도록 인코딩하는 CORR-OLM을 제안하고, 레이블이 필요 없는 피험자별 표준화와 선형 분류기만으로 감정을 인식합니다. 세 가지 공개 EEG 데이터셋의 교차 피험자 평가에서 연결성 특징은 기존 대역 파워 특징보다 일관되게 높은 일반화 성능을 보였습니다. 이를 통해 복잡한 딥러닝이나 도메인 적응에 의존하지 않고도, 감정과 관련된 뇌 영역 간 연결 구조를 효과적으로 표현함으로써 새로운 피험자에 대한 인식 성능을 향상시킬 수 있음을 보여주었습니다. 본 논문에서 제안하는 CORR-OLM 프레임워크

dxlab(지도교수 : 박은일), EMNLP 2026 2편, ECCV 2026 1편 게재 승인

Data eXperience Lab (dxlab, 지도교수: 박은일)의 논문이 자연어 처리 분야 top-tier 국제학술대회인 EMNLP 2026에 2편, 컴퓨터 비전 분야 top-tier 국제학술대회인 ECCV 2026에 1편 게재 승인되었습니다! ECCV 2026 1. 제목: Finding Highlight Images In Your Albums: From Benchmark To MLLM 저자: 박은일(인공지능융합학과) 외 10명 박은일(dxlab 지도교수) 키워드: Album Highlight Recommendation, Visual Analysis, Cognition-based Image Attribute, Multimodal Large Language Model (MLLM), Dataset Benchmark 주요 내용: 개인 앨범 하이라이트 추천은 사용자의 추억 감상 및 소셜 미디어 공유에 가장 적합하고 가치 있는 사진을 자동으로 선별하는 과업입니다. 그러나 하이라이트 선별에 내재된 높은 주관성과 모호성으로 인해 신뢰할 수 있는 데이터셋 축적이 어려웠습니다. 이에 본 연구는 기존 공공 데이터셋을 5명의 작업자가 재레이블링하여 세분화된 점수로 통합한 910개 앨범(87K 이미지)과, 100명의 자원봉사자가 본인 앨범을 직접 레이블링한 고유한 개인화 데이터셋 C-AHR-100(10K 이미지)을 구축하여 데이터 부재 문제를 해결하고자 하였습니다. 뿐만 아니라, 해당 과업에 특화된 멀티모달 대형 언어 모델인 Highlight4U를 제안하고, 단일 이미지 단위의 Local Scoring와 상위 선별 이미지를 Global Reference를 활용하는 2단계 구조를 통해, 앨범 내 이벤트 맥락과 의미론적 관계를 반영하여 추천 정확도를 향상시킵니다. 핵심 기여 ■ 하이라이트 추천 연구를 위한 대규모 벤치마크 데이터셋 구축 (3개 데이터셋, 1,010개 앨범, 97K 이미지) 공공 앨범 데이터(PEC, CUFED)에 대해 5인 재레이블링을 거쳐 개인 편향을 완화한 세분화 점수(0~5점)를 부여하고, 실제 앨범 소유자가 직접 주관적 선호도를 반영해 레이블링한 C-AHR-100 데이터셋을 구축하여 데이터 공백을 해결 ■ MLLM 기반 특화 모델 Highlight4U 및 Local-Global 2단계 프레임워크 제안 점수 토큰의 확률 분포를 정교한 점수로 매핑하는 HDA(Highlight Distribution Aggregation) 모듈을 설계하고, 초기 상위 추천 결과를 캡션과 함께 전역 참조(Global Reference)로 제공함으로써 앨범 전체의 맥락과 이벤트 정보를 반영하는 재추천 메커니즘 구현 ■ 대중적 하이라이트 인지도 및 개인화 선호도 전이 가능성 검증 기존 비전 백본 및 SOTA MLLM 대비 우수한 하이라이트 추천 성능을 입증하였으며, 대중적 공감대 기반으로 학습된 모델이 실제 개별 소유자의 주관적 선호도 환경으로도 효과적으로 전이·일반화됨을 실증 성능 향상 요약 EMNLP 2026 (Main)1. 제목: ReflectRec: Cycle-Consistency Preference Verification for LLM-based Recommendation 저자: 김대규(인공지능융합학과 박사과정; 왼쪽 첫번째), 조희정(인공지능융합학과 박사과정;왼쪽 두번째), 홍성무(인공지능융합학과 박사과정), 박은일(인공지능융합학과) 키워드: LLM-based Recommendation, Preference Verification, Cycle-Consistency, Collaborative Signal, Natural Language Preference Elicitation, Generative Recommendation 주요 내용: 대형 언어 모델(LLM) 기반 추천 시스템은 사용자의 과거 소비 이력을 자연어 형태의 선호도 요약(Preference Note)으로 변환하여 추천 프롬프트에 활용합니다. 그러나 중간 단계에서 생성된 선호도가 실제 사용자 취향을 정확히 반영하는지 검증하는 체계가 부족하여 추상화 오류 및 환각(Hallucination)이 추천 정확도를 저해하고, 다른 유저들의 최근 소비 패턴인 협업 신호(Collaborative Signal)를 직접 활용하지 못하는 한계가 존재했습니다. 본 논문은 이러한 한계를 극복하기 위해 순환 일치성 기반 선호도 검증 및 협업 정보 결합 프레임워크인 ReflectRec을 제안합니다. ReflectRec은 5가지 의미적 축(장르, 분위기, 주제, 시대/스타일, 서사 방식)으로 선호도를 추출한 뒤, 선호도 글만으로 과거 시청 이력을 역복원하는 순환 일치성 검증기(Cycle-Consistency Verifier)를 도입하여 품질을 정량 평가(ValScore)합니다. 검증 점수가 낮은 저품질 선호도는 조건부로 재생성·보정하며, 사용자 이력 유사도 기반으로 타 유저의 다음 소비 아이템을 추출하는 전방 탐색 검색(Forward-Look Retrieval)을 연동함으로써 고품질 선호도와 협업 신호를 동시에 최종 LLM 랭커에 제공하여 추천 정확도를 대폭 향상시킵니다. 핵심 기여 ■ 순환 일치성(Cycle-Consistency) 기반 LLM 선호도 검증 메커니즘 제안 LLM이 생성한 자연어 선호도 요약문만으로 과거 사용자 소비 이력을 역으로 복원해내는 재현율 점수(ValScore)를 측정하고, 이 점수를 기준(Gate) 삼아 저품질 선호도를 선택적으로 재생성·보정하는 신뢰성 검증 체계 구현 ■ 타 유저의 미래 행동을 활용하는 전방 탐색 검색(Forward-Look Retrieval) 결합 과거 이력 임베딩 유사도가 높은 유사 사용자 그룹을 탐색한 후, 그들이 실제로 그 다음에 소비한 아이템 정보를 협업 힌트(Collaborative Hint)로 제공하여 단일 유저 중심 LLM 추천의 협업 필터링 한계 극복 ■ 다양한 벤치마크 및 백본 LLM 환경에서의 SOTA 성능 및 일반화 가능성 검증 MovieLens-100K(Hit@10 기준 기존 대비 +16.25%p) 및 MovieLens-1M에서 탁월한 성능 향상을 입증하였으며, 다양한 LLM 백본(Qwen, Llama 등) 및 타 도메인(Amazon Electronics)에서도 일관된 성능 개선 효과 실증 ReflectRec 논문 프레임워크 EMNLP 2026 (Finding) 1. 제목: K-Humor: Dynamic Multi-Agent LLM Framework for Generation of Culturally Grounded Korean Jokes 저자: 왼쪽부터 박민수(인공지능융합학과 박사과정), 전희정(인공지능융합학과 석사과정), 김동재(인공지능융합학과 박사과정), 오민우(메타바이오헬스학과 석사과정), 박은일(인공지능융합학과) 키워드: Korean Joke Generation, Culturally Grounded Humor, Dynamic Multi-Agent LLM, Contextual Bandit (UCB), Human-Data-Grounded Retrieval (HDG), Writers' Room Simulation 주요 내용 한국어 유머 생성은 언어의 복잡성(존댓말, 어미 변화)과 깊은 문화적 맥락, 그리고 서구권 중심 LLM의 문화적 편향으로 인해 정교한 유머를 구현하는 데 어려움이 있습니다. 또한 기존 단일 프롬프트(Single-pass) 기반 LLM은 코미디 작가들의 다단계 협업 및 피드백 기반 정제 과정을 반영하지 못하는 한계가 존재합니다. 본 논문은 실제 코미디 작가실(Writers' room)의 협업 프로세스를 모사한 동적 다중 에이전트 LLM 프레임워크 K-Humor를 제안하여 이 문제를 해결합니다. K-Humor는 문화적 맥락, 말장난, 청중 피드백, 에디터 검토 등을 담당하는 역할별 에이전트를 배치하고, UCB 알고리즘 기반 컨트롤러를 통해 도입부 수정 및 펀치라인 완성을 동적으로 제어합니다. 나아가 한국어 문장 임베딩(KoSimCSE) 기반의 인간 데이터 Retrieval(HDG) 메커니즘을 통합하여 최불암 시리즈 등 실제 인간 유머 데이터셋을 퓨샷(Few-shot) 예시로 활용함으로써 유머의 타격감과 문화적 공감대를 대폭 향상시킵니다. 핵심 기여 ■ 실제 협업 네트워크를 모사한 동적 다중 에이전트(K-Humor) 프레임워크 제안 문화, 말장난, 청중, 에디터 등 역할별 에이전트를 구축하고, UCB(Upper Confidence Bound) 컨트롤러를 통해 반전, 일관성, 중복성 신호를 감지하여 '설명 추가', '설명 수정', '펀치라인 작성'을 동적으로 판단·실행하는 3단계 정제 파이프라인 구현 ■ 인간 데이터 기반 Retrieval(HDG) 메커니즘 및 한국 문화 맥락 통합 한국어 언어유희 및 문화적 트렌드를 반영하는 특화 에이전트와 더불어, KoSimCSE를 활용해 유사한 인간 작성 유머 데이터(180건)를 동적으로 검색·참조하여 한국 특유의 정서와 유머 스타일을 정확히 이끌어내는 메커니즘 구축 ■ 다각도 평가(Human & LLM Evaluation)를 통한 정량적 우수성 입증 단일 프롬프트 베이스라인 대비 인간 평가 64.5%, LLM 평가 70.8%의 높 승률을 기록하며 뛰어난 유머 생성 성능을 입증하였으며, 소거 연구(Ablation Study)를 통해 동적 제어기 및 HDG 등 각 구성 요소의 실질적 유효성을 검증. 제안된 K-humor 프레임워크 요약 해당 연구들은 과학기술정보통신부와 정보통신기획평가원의 대학ICT연구센터와 AI최고급신진연구자지원사업, 학석사연계지원사업으로 수행되었습니다.

DSSAL Lab(지도교수: 김장현) EMNLP 2026 main conference 논문 1편 게재 승인

제목: No Matter Who You Are: Addressivity and Sycophancy in Large Language Models 저자: 선승종*, 전현민*, 윤민식, 이은구, 강충원, 우영석, 김장현 (*공동 제1저자) 본 연구는 사용자의 주장과 선호에 과도하게 맞추는 LLM의 아첨(Sycophancy)이 post-training 이후 왜 강화되는지 분석했습니다. Post-training이 모델의 출력을 특정 수신자를 향한 발화로 변화시킨다는 점에 주목해, 수신자 지향성(Addressivity)이 아첨 행동을 강화한다는 가설을 세웠습니다. Base 모델과 instruction-tuned 모델에서 Sparse Autoencoder(SAE)를 활용해 관련 내부 feature를 추출하고 Steering을 적용했습니다. 그 결과 instruction-tuned 모델에서 해당 feature를 강화하거나 억제했을 때 아첨 행동이 일관된 방향으로 변했습니다. 이는 post-training 과정에서 강화된 수신자 지향적 내부 표현이 아첨 행동의 증가와 연결되어 있음을 보여줍니다. 왼쪽부터 선승종 학생, 전현민 학생, 김장현 교수

신뢰가능한인공지능연구단(연구책임자: 한진영) ‘Bias-A-Thon’ 연구 성과, EMNLP 2026 Findings 채택

신뢰가능한인공지능연구단(Pioneer Research Group for Socially Responsible AI, 연구책임자 한진영 교수)이 지난해 개최한 학생 참여형 연구 프로그램 ‘Bias-A-Thon’의 성과를 발전시킨 연구가 자연어처리 및 인공지능 분야의 세계 최고 수준 국제학술대회인 「2026 Conference on Empirical Methods in Natural Language Processing(EMNLP 2026)」 Findings에 채택됐다. 채택 논문의 제목은 「SCENE: A Scenario Completion Benchmark for Measuring Social Bias in Large Language Models」로, 대규모 언어모델(LLM)이 다양한 사회적 상황과 맥락에서 나타내는 사회적 편향(Social Bias)을 체계적으로 측정하고 평가하기 위한 새로운 벤치마크를 제안했다. EMNLP(Empirical Methods in Natural Language Processing)는 자연어처리(NLP)와 인공지능(AI) 분야에서 세계적으로 권위를 인정받는 최우수권 국제학술대회 중 하나다. 이번 논문 채택은 신뢰가능한인공지능연구단이 추진해 온 책임 있는 인공지능 연구와 국제 공동연구의 성과가 세계적 연구 커뮤니티에서 학술적으로 인정받았다는 점에서 의미가 크다. 이번 연구의 출발점은 신뢰가능한인공지능연구단이 지난해 개최한 ‘Bias-A-Thon’이다. Bias-A-Thon은 기존 해커톤의 형식을 인공지능의 사회적 편향 문제에 접목한 학생 참여형 연구 프로그램으로, 참가 학생들이 대규모 언어모델에서 나타날 수 있는 다양한 사회적 편향을 직접 탐색하고 이를 실제 연구에 활용할 수 있는 데이터로 구축하도록 기획됐다. 본교와 The Pennsylvania State University(Penn State) 학생들은 Bias-A-Thon을 통해 다양한 사회적 상황과 맥락에서 발생할 수 있는 편향 사례를 발굴했다. 이후 연구진은 학생들이 구축한 데이터를 체계화하고 분석해 대규모 언어모델의 사회적 편향을 측정할 수 있는 벤치마크 ‘SCENE’으로 발전시켰으며, 이러한 후속 연구가 이번 EMNLP 2026 논문 채택으로 이어졌다. SCENE은 특정 단어나 문장에 포함된 편향을 단순히 탐지하는 기존 방식에서 한 걸음 더 나아가, 대규모 언어모델이 다양한 사회적 상황과 맥락을 직접 완성하는 과정에서 어떠한 편향이 나타나는지를 평가하도록 설계됐다. 이를 통해 실제 생성형 AI 사용 환경에서 드러날 수 있는 보다 복합적이고 맥락적인 사회적 편향을 체계적으로 분석하는 것을 목표로 한다. 이번 연구에는 신뢰가능한인공지능연구단 연구책임자인 한진영 교수를 비롯해 최윤석 교수와 홍성은 교수, The Pennsylvania State University 교수이자 우리대학 석학교수인 S. Shyam Sundar 교수가 참여했다. 또한 본교 강미경, 정애천, 김민석 학생과 The Pennsylvania State University의 Eunchae Jang 학생이 연구에 함께 참여해 한·미 공동연구 성과를 만들어냈다. 특히 이번 성과는 연구단이 기획한 학생 참여형 연구 프로그램이 일회성 행사에 머무르지 않고, 학생들의 데이터 구축과 한·미 연구진의 후속 공동연구를 거쳐 세계 최고 수준 국제학술대회의 논문으로 발전했다는 점에서 의미가 크다. 과학기술정보통신부와 정보통신기획평가원(IITP)의 해외석학유치지원사업을 기반으로 조성한 국내외 교수진 및 학생 간 연구·교류 환경이 구체적인 국제 학술 성과로 이어진 대표적인 사례라는 점에서도 주목된다. 한진영 신뢰가능한인공지능연구단 연구책임자는 “Bias-A-Thon은 학생들이 인공지능의 사회적 편향이라는 중요한 문제를 직접 탐색하고, 실제 연구 데이터 구축 과정에 참여할 수 있도록 기획한 프로그램”이라며 “성균관대학교와 Penn State 학생 및 연구진이 함께 만들어낸 결과가 후속 공동연구를 거쳐 자연어처리 및 인공지능 분야의 세계 최고 수준 국제학술대회인 EMNLP에 논문으로 채택됐다는 점에서 더욱 뜻깊다”고 밝혔다. 이어 “학생들이 국제 연구진과 함께 연구 문제를 발굴하고 데이터를 구축하는 데서 그치지 않고, 그 결과를 세계적인 학술 무대에서 연구 성과로 발전시키는 경험까지 할 수 있었다는 점 역시 중요한 의미가 있다”며 “앞으로도 해외석학유치지원사업을 기반으로 해외 연구진과의 실질적인 공동연구와 학생 교류를 확대하고, 신뢰할 수 있고 사회적으로 책임 있는 인공지능 분야에서 국제적으로 인정받는 연구 성과를 지속적으로 만들어 나가겠다”고 말했다. 신뢰가능한인공지능연구단은 과학기술정보통신부와 정보통신기획평가원(IITP)의 지원을 받는 해외석학유치지원사업의 일환으로 운영되고 있으며, 해외 우수 연구자와 국내 연구진 간 지속적인 공동연구와 인재 교류를 통해 사회적으로 책임 있고 신뢰할 수 있는 인공지능 기술 개발을 추진하고 있다.