generative-ai | SKKU IRIS Lab

IRIS Lab at KCC & IEIE 2026: Research Presentations in Jeju

Thu, 18 Jun 2026 00:00:00 +0000

IRIS 연구실은 2026년 6월 23일(화)부터 26일(금)까지 제주에서 개최된 대한전자공학회 하계종합학술대회와 한국정보과학회 KCC 2026에 참가하며 연구실 워크샵을 진행하였습니다.

이번 학술대회에서 IRIS 연구실은 대한전자공학회에서 구두 발표 1편과 포스터 6편을 발표하였습니다. 3D·4D 가우시안 스플래팅, 확산 모델의 개념 언러닝, 산업 이상 이미지 생성, Diffusion LLM 블록 분할, 신경망 경량화 등 생성 모델과 온디바이스 효율화를 아우르는 다양한 분야에서 최신 연구 성과를 선보였습니다.

특히 KCC 2026에서 개최된 Nota AI 온디바이스 AI 최적화 경진대회에서는 Team IRIS(연상흠, 강도영, 소재현)가 최우수상을 수상하는 값진 성과를 거두었습니다. NetsPresso 기반 모델 최적화부터 Raspberry Pi 5 자율 최적화, 본선 발표에 이르는 전 단계에서 우수한 성적을 기록하며 이룬 결실이었습니다.

학술 일정 외에도 배낚시 체험과 우도 투어 등 제주의 다양한 활동을 함께 즐기며 구성원들 간 교류와 친목을 다지는 시간을 가졌습니다. 연구에 대한 열정을 나누는 동시에 서로를 더 깊이 이해하는 계기가 되었으며, 앞으로의 연구 여정에도 큰 힘이 될 것입니다.

The IRIS Lab participated in the IEIE Summer Annual Conference and KCC 2026 (Korea Computer Congress), held in Jeju from June 23 (Tue) to June 26 (Fri), 2026.

At the IEIE conference, the IRIS Lab presented one oral paper and six posters. Spanning topics such as 3D and 4D Gaussian Splatting, concept unlearning in diffusion models, industrial anomaly image generation, block partitioning for diffusion LLMs, and neural network compression, the lab showcased its latest research across a range of areas bridging generative models and on-device efficiency.

Most notably, at the Nota AI On-Device AI Optimization Challenge held as part of KCC 2026, Team IRIS (Sangheum Yeon, Doyeong Kang, and Jaehyeon So) earned the Top Excellence Award. The team delivered strong performance across every stage, from NetsPresso-based model optimization to autonomous optimization on Raspberry Pi 5 and the final presentation, achieving this remarkable result.

Beyond the academic program, members enjoyed a variety of activities in Jeju, including a sea fishing experience and a tour of Udo Island, sharing time together and strengthening their bonds. It was an opportunity to exchange research passion while getting to know one another more deeply, and one that will surely energize the journey ahead.

Jinju Kim Admitted to UT Austin PhD Program

Tue, 02 Jun 2026 00:00:00 +0000

김진주 석사과정 학생이 UT Austin 박사과정에 합격하였습니다. 연구조교(GRA) 및 펠로우십을 포함하여 연간 약 73,000달러 규모의 지원을 받게 되었으며, Atlas Wang 교수의 지도 아래 연구를 이어갈 예정입니다. 특히 IRIS Lab에서 지난 몇 년간 발전시켜 온 연구 주제인 안전하고 신뢰할 수 있는 생성형 모델을 위한 머신 언러닝(Machine Unlearning) 연구로 학문적 여정을 지속할 계획입니다.

생성형 모델은 실제와 구분하기 어려운 음성, 음악, 영상 등을 생성할 수 있으며, 이는 해당 기술의 강력한 장점인 동시에 중요한 사회적·기술적 문제를 제기합니다. 예를 들어 음성 생성 모델은 특정 인물의 목소리를 매우 정교하게 재현할 수 있고, 음악 생성 모델은 학습 데이터와 유사한 결과물을 만들어낼 수 있습니다. 김진주 학생의 연구는 이러한 맥락에서 다음과 같은 질문에 주목합니다. 모델이 특정 정보를 의도적으로 잊도록 만들 수 있는가? 역으로, 특정 정보가 여전히 모델 내부에 남아 있음을 증명하거나, 온전한 삭제가 이루어졌음을 검증할 수 있는가?

이 연구는 생성형 AI의 신뢰성 객관적으로 측정하고 검증할 수 있는 특성으로 정립하는 것을 목표로 합니다. UT 오스틴에서는 이러한 문제를 보다 체계적으로 탐구하며, 안전하고 신뢰할 수 있는 생성형 AI 개발에 기여할 예정입니다.

UT Austin의 Atlas Wang 교수 연구실 또한 안전한 생성형 모델을 위한 정교하고 효율적인 방법론을 지속적으로 발전시켜 왔습니다. 이러한 연구 환경은 머신 언러닝과 신뢰 가능한 생성 모델 연구를 심화하는 데 매우 적합한 기반이 될 것으로 기대됩니다.

다시 한번 김진주 학생의 박사과정 합격을 진심으로 축하하며, 앞으로의 연구 활동을 응원합니다.

Jinju Kim has been offered a fully funded PhD position at the University of Texas at Austin, supported by a Graduate Research Assistantship (GRA) and a fellowship amounting up to $73,000 annually. She will be advised by Professor Atlas Wang, continuing the research thread that has organized the last few years of her work at IRIS Lab: machine unlearning for safe, trustworthy generation.

Generative models are very good at producing real-world-quality speech, music, and video — that’s the point of them, and also the problem. A speech model can reconstruct a particular voice; a music model can generate something close to what it was trained on. The question Jinju’s research takes seriously is whether these systems can let go of something on purpose, and whether that removal can be verified — even when someone is actively trying to prove the knowledge is still in there. Turning “trustworthy generation” from a slogan into a property you can measure and defend is the work she’ll be doing at Austin.

She chose UT Austin because Atlas Wang’s group also builds on this problem — principled, efficient methods to manipulate and modify generative models for trustworthy. Go Longhorns!

Jinju joins Sony AI as Summer Research Intern

Mon, 01 Jun 2026 00:00:00 +0000

이번 여름 김진주 석사과정 연구원이 도쿄 Sony AI의 Music Foundation Model Team에 연구 인턴으로 합류하여, 아카사카 Sony Research 오피스에서 연구를 시작하게 되었습니다. 김진주 연구원은 석사과정 동안 탐구해 온 생성형 AI에서의 언러닝 기법 연구를 이어나가, 생성형 음악 모델 분야에서 AI 생성 미디어의 저작권, 기억(memorization), 언러닝이 교차하는 지점을 산업 현장에서 직접 연구하게 되었습니다.

김진주 연구원은 Sony AI에서의 연구를 이렇게 표현합니다. “AI가 정확히 무엇을 하고 있는지, 그리고 무엇을 하지 말아야 하는지를 발견하는 것.” 단순한 윤리적 질문처럼 들리지만, 본질적인 해결책은 기술적 탐구에 있습니다. 생성형 모델이 실제로 어떤 지식을 학습하는지, 그 지식이 모델 내부에 어떻게 저장되는지, 그리고 어느 시점에서 그것이 저작물의 재현에 해당하는지가 연구의 핵심입니다. 특히 음악 생성 모델 분야에서 이러한 질문들은 더욱 중요한 쟁점이 됩니다. 저작권이 있는 음원으로 학습된 모델은 단순히 음악적 스타일을 흡수하는 데 그치지 않고 특정 음원을 재구성할 수도 있으며, ‘학습의 영향’과 ‘저작권 침해’ 사이의 경계는 법적으로도 기술적으로도 아직 명확히 정립되지 않았습니다. 이번 여름 김진주 연구원은 언러닝 기법을 활용한 학습 데이터 귀속(Train Data Attribution) 연구에 집중하고 있습니다. AI로 생성된 음원에 기여한 학습 데이터를 추적하고, 아티스트들이 자신의 작업이 AI에 어떻게, 얼마나 반영되는지에 대한 투명성을 확보하는 것이 목표입니다.

이 연구는 IRIS Lab에서의 머신 언러닝 연구와 NeurIPS 2025 AI4Music 워크숍 1저자 논문 발표로부터 이어지게 되었습니다. Sony AI에서 산업 현장의 현실적인 기술 문제를 탐구하며 사회에 기여하는 연구를 이어가길 응원합니다.

Jinju Kim has joined Sony AI’s Music Foundation Model Team as a research intern this summer, based at the Sony Research Akasaka office in Tokyo. Her work sits at the intersection of generative music models and questions of AI copyright, memorization, and unlearning - territory that she has been circling for a while, now met head-on in an industry setting.

She describes her research at Sony AI in a few words: “discovering what AI does, and shouldn’t do.” This sounds like an ethics talk but is really a technical one: what does a generative model actually learn, how does that knowledge persist inside it, and at what point does that constitute reproduction? Music generation makes these questions especially concrete. A model trained on copyrighted recordings doesn’t just absorb style — it can reconstruct specific material, and the line between influence and infringement is far from settled legally or technically. This summer, she is focusing on unlearning as a training data attribution method, working to ensure that the creative contributions embedded in generated outputs can be traced back to their sources, and that artists retain visibility over how their work shapes what these models produce.

This is a thread Jinju has been pulling on since her work on machine unlearning at IRIS Lab, and through her first-author paper at the NeurIPS 2025 AI4Music workshop. Sony AI’s Music Foundation Model Team is happy to have her on the team: the problems are live, the stakes are real, and the gap between what current models do and what they should do is exactly what her research is designed to close.