복잡하고 고차원적인 자료가 넘쳐나는 시대에, 표현 학습 연구실(Representation Learning Lab)은 표현 학습을 위한 통계적 방법론을 중점적으로 연구합니다. 우리는 원시 자료(Raw data)보다 더 설명력이 뛰어나고 유의미한 패턴을 포착할 수 있는 저차원의 잠재 특징(Latent features)을 발견하는 것을 목표로 합니다. 이론적 토대가 탄탄하고 해석 가능한 인공지능을 구축함으로써, 이러한 자료 기반 방법론을 의생명(Biomedical) 연구에 적용하고자 합니다. 예를 들어, 우리는 자료의 분포를 학습하는 것이 곧 잠재 표현의 실제 조건부 분포를 정확하게 복원함을 보장하는 식별 가능한 표현 학습(Identifiable Representation Learning)을 연구합니다. 우리는 이러한 방법론을 기능적 자기공명영상(fMRI)과 같은 뇌 영상 자료를 분석하는 데 적용하고 있습니다. 이를 통해 자폐 스펙트럼 장애나 강박 장애(OCD)와 같은 정신 질환과 관련된 잠재적 바이오마커를 규명함으로써, 정밀 정신의학(Precision Psychiatry)의 발전에 기여하고자 합니다.
In an era of abundant yet complex high-dimensional data, the Representation Learning Lab focuses on statistical methods for representation learning. We aim to discover low-dimensional latent features that capture meaningful patterns and offer greater explainability than the raw data themselves. Our mission is to build AI that is both theoretically grounded and interpretable, applying these data-driven methods to biomedical research. For instance, we work on identifiable representation learning, ensuring that learning the data distribution implies correctly recovering the true conditional distributions of latent representations. We apply these methodologies to analyze brain imaging (e.g., functional MRI). By identifying latent biomarkers associated with mental disorders (e.g., Autism, OCD), we strive to advance precision psychiatry.