빅데이터가 끊임없이 저장되고 있지만, 그 안에서 패턴을 찾아내고 가치를 끌어낼 수 없다면 무의미한 전력낭비가 될 것이다. 대규모 데이터에서 체계적이고 자동적으로 규칙과 패턴을 분석하는 ‘데이터 마이닝’이 AI의 핵심 연구분야가 되는 이유이다. 

‘데이터 마이닝’ 분야에서 세계 최고의 권위를 자랑하는 KDD (Knowledge Discovery and Data Mining) 학회에 서울대 강유 교수팀에서 논문 4편이 정규 논문으로 한꺼번에 채택되는 성과를 보였다. KDD에서 한국 학자의 논문 4편이 한꺼번에 발표되는 것은 처음이다. 

 * 데이터마이닝 분야 컨퍼런스 순위 하단 별첨 

해당 논문의 내용은 다음과 같다.

1. “Accurate Multivariate Stock Movement Prediction via Data-Axis Transformer with Multi-Level Contexts” 논문은 주식 종목간 상관관계를 학습함으로써 전세계 주요 국가의 주가 움직임을 높은 정확도로 예측하는 모델을 제시하였다. 

2. “Fast and Memory-Efficient Tucker Decomposition for Answering Diverse Time Range Queries” 논문은 시간에 따라 변화하는 고차원 텐서 데이터에서 임의의 시간 범위의 주요 패턴을 효율적으로 구하는 기술을 제시하였다.

3. “Fast and Accurate Partial Fourier Transform for Time Series Data”은 데이터 분석 및 이상 탐지에 널리 쓰이는 푸리에 변환(Fourier Transform)의 주요 계수를 빠르고 정확히 구하는 기술을 제시하였다.

4. “Learning to Walk across Time for Interpretable Temporal Knowledge Graph Completion” 은 지식 그래프에서 시간 정보를 고려한 그래프 뉴럴 네트워크를 학습함으로써 지식 그래프에 대한 추론을 정확하게 수행하는 모델을 제시하였다.

2021 KDD는 오는 8월 14일부터 18일까지 5일간 온라인으로 열리며, 서울대학교의 모든 논문은 저자들의 오럴 발표로 진행된다. 

⛬ 데이터 마이닝 학회의 영향력 순위 

⛬  발표 논문

Accurate Multivariate Stock Movement Prediction via Data-Axis Transformer with Multi-Level Contexts (Jaemin Yoo, Yejun Soun, Yong-chan Park, and U Kang)

Fast and Memory-Efficient Tucker Decomposition for Answering Diverse Time Range Queries (Jun-Gi Jang and U Kang) 

Fast and Accurate Partial Fourier Transform for Time Series Data (Yong-chan Park, Jun-Gi Jang, and U Kang) 

Learning to Walk across Time for Interpretable Temporal Knowledge Graph Completion (Jaehun Jung, Jinhong Jung, and U Kang) 

⛬ 기타 국내대학: 카이스트 3편, 연세대학교 2편, 포스텍 1편

보도자료 문의: 서울대학교 AI 연구원(02-880-4259)