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

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.