ML2

09/07/2026

오늘 에서 진행한 Networking Lunch, 즐거우셨나요?

생각보다 정말 많은 분들께서 신청을 해주셨는데요,
먼저, 공간적인 한계로 이번 밋업에 모두를 모시지 못해
이번에 함께하지 못한 분들께는 아쉽고, 죄송한 마음을 전달드립니다.

짧은 시간이었지만 다양한 분야의 연구자분들께서 신청해주시고, 시간내어 들러주셔서
복잡한 학회장을 떠나 조금 더 편하고 가벼운 분위기로 만나 이야기 나눌 수 있어 즐거웠습니다.

관심 가져주신 모든 분들께 다시 한 번 감사드리며, 남은 학회 기간 잘 마무리 하여 다음에 더 좋은 자리에서 다시 뵐 수 있기를 바랍니다. ☺️

앞으로 ML2의 연구와 활동들도 많이 기대해주세요,
그럼, 생생한 현장의 사진 함께 전달드립니다!

#케이씨

24/06/2026

[Networking Lunch | ] 🍕☕️

오는 7월, 코엑스에서 열리는 을 맞아,
복잡한 학회장에서 잠시 벗어나 조금 더 편안하게 이야기 나눌 수 있는 자리를 마련했습니다.

7월 9일 점심시간, 사무실에서 연구자분들과 함께 캐주얼하게 네트워킹하고,
학회에서 인상 깊었던 논문이나 발표, 혹은 각자의 연구 관심사에 대해 가볍게 이야기 나누어보려고 합니다.

편하게 머무실 수 있도록 간단한 식사와 커피, 다과도 준비해 둘 예정입니다.

학회장 인파 속에서 깊게 대화하기 어려우셨던 분들, ML2 멤버들과 편하게 만나보고 싶으신 분들, 잠시 쉬어가며 연구 이야기를 나누고 싶은 분들 모두 환영합니다!

참여를 원하시는 분은 아래 링크 또는 QR코드로 신청해주세요.
(자세한 정보는 아래 링크에서 확인 가능합니다.)

✱참석시에 ICML 명찰을 함께 지참 부탁드립니다. 🙇

🔗 참가신청 :
https://luma.com/jgjhzhly

08/06/2026

[ICML Workshop Paper Accepted! 🎉]

Excited to share that our ICML workshop paper, “Drift-Augmented Scoring: Text-Derived Noise Robustness for Zero-Shot Audio-Language Classification,” has been accepted!

Congratulations to Tu Vo and everyone involved in this outstanding work!

DAS is a lightweight inference-time scoring method that leverages the direction of embedding drift caused by noise. By rewarding classes whose predicted noise-induced drift aligns with the observed audio embedding drift, DAS improves robustness without additional training, gradients, or test-time adaptation.

We look forward to sharing and discussing this work at the ICML 2026 Workshop on Machine Learning for Audio.
For more details and code, check out the project below:
🔗 https://lnkd.in/guwKB3Hp

For those attending ICML in Seoul, we’d also love to welcome you to our ML2 office. We’re preparing a small oasis with coffee, snacks, and opportunities to connect with fellow researchers. More details coming soon! 🏝️

15/05/2026

[ML2 Journal Club | with Woojin Cho, Junghwan Park]

지난 주 금요일, 에서 근무하고 계시는 Woojin Cho 님과 Junghwan Park 님께서 ML2에 방문해주셨습니다.

TelePIX는 초소형 위성 탑재체 개발과 위성 영상 빅데이터 분석 소프트웨어 솔루션을 제공하는 기업입니다.

이번 Journal Club에서는 두 분께서 참여하신 연구 중 이번 , 에 채택된 논문들을 소개해주시고, 연구 배경과 핵심 아이디어에 대해 함께 이야기 나누는 시간을 가졌습니다 🙌

위성 데이터와 온보드 컴퓨팅이라는 실제적인 문제를 다루고 있다는 점에서, 이번 세션도 매우 재미있는 이야기들이 오고갔는데요,

이번에 소개해주신 논문은 총 두 편입니다.

📝 BOLT : Basis-Oriented Low-rank Transfer for Few-Shot and Test-Time Adaptation — CVPR 2026 Accepted

BOLT는 이미 공개되어 있는 여러 fine-tuned model들을 재활용해, 새로운 태스크에 적은 데이터와 적은 학습만으로 빠르게 적용할 수 있도록 하는 방법을 제안합니다.

기존 모델들이 학습되며 변화한 방향을 SVD로 분석해 basis를 만들고, 새로운 task 에서는 이 basis 위의 작은 계수만을 학습합니다. 이를 통해 학습해야 하는 파라미터 수를 크게 줄일 수 있습니다.

또한 마치 Meta-Learning 처럼 별도의 큰 학습 과정을 거치지 않고도 유용한 초기값을 얻을 수 있어, few-shot adaptation이나 test-time adaptation 상황에서 활용 가능성이 큰 접근법입니다.

📝 ELMZip : Onboard Satellite Image Compression via Extreme Learning Machines for Efficient Downlink) — IGARSS 2026 Accepted

EMLZip은 위성에서 촬영한 영상을 지상국으로 더 효율적으로 전송하기 위한 Onboard image compression 방법을 제안합니다.

핵심 아이디어는 Extreme Learning Machine (ELM)의 구조적 특징을 활용하는 것입니다. 입력층은 랜덤하게 고정하고 출력층만 한 번에 계산하는 ELM의 특성을 이용해, 위성과 지상국이 같은 seed를 공유하고 출력 가중치만을 전송함으로써 downlink 데이터량을 줄이는 방식입니다.

특히 backpropagation 없이 선형 계산만으로 압축이 가능하기 때문에, 연산 자원이 제한적인 위성 환경에서 onboard 부담을 줄일 수 있다는 점이 인상적이었습니다.

이번 세션을 통해 few-shot adaptation, test-time adaptation, satellite image compression, onboard AI 처럼 서로 다른 주제들이 실제 문제 해결과 어떻게 연결되는 지 볼 수 있었습니다.

좋은 발표와 논의를 만들어주신 Woojin Cho 님, Junghwan Park 님께 감사드립니다!

13/05/2026

We recently held our internal workshop at

Rather than focusing only on individual project updates, this workshop was centered around a shared vision we’ve been building as a team.

We often talk about an ideal system - something like a small-form-factor AI workstation that anyone can have on their desk.

Powerful enough to run and experiment with models freely, yet simple and accessible.

A system that doesn’t fully exist yet, but one we’re actively working toward.

During the workshop, this vision became the common thread.

Each session went beyond simply sharing what we are building, and instead focused on:
▪️ the problem we aim to solve
▪️ the core research and engineering challenges
▪️ how each project connects to our broader vision

Throughout the day, we explored a wide range of topics:
▪️ LLM & agent systems
▪️ Multimodal learning and diffusion models
▪️ On-device AI and efficient systems
▪️ Robotics and spatial representation
▪️ ML systems and emerging hardware

Some are building components for LLM systems, others are working on multimodal models, efficient infrastructure, or system-level optimizations.

What stood out most was not just the technical depth, but the shared intent - to align individual efforts toward a unified direction and strengthen collaboration across the team.

We weren’t just aligning on what we’re doing today, but also shaping a clearer sense of where we want to go together.

We believe that meaningful innovation happens when research, engineering, and product thinking come together—and this workshop was a step toward that.

Looking forward to continuing this journey 🚀
🔗 https://kc-ml2.com

12/05/2026

[ICML 2026 Paper Accepted! 🎉]

ML2의 sheir님께서 집필하신 논문 “REViT: Roto-reflection Equivariant Convolutional Vision Transformer"가 에 채택되었습니다!

이번 연구는 회전, 반사, 이동 등 시각적 대칭성을 효과적으로 이해하는 Vision Transformer 구조를 제안하며, 이미지 분류 작업에서 기존 모델을 뛰어넘는 뛰어난 성능을 입증했습니다.

올해 ICML은 7월 서울 코엑스에서 개최되어 더욱 기대되는데요. 현장에서 많은 연구자분과 직접 만나 뵙고 깊이 있는 이야기를 나눌 수 있기를 기대합니다!

19/03/2026

[Blog Posting] - https://www.kc-ml2.com/posts/blog_interview5

ML2는 2019년부터 KAIST EE Co-op 참여기업으로 함께하며, 학생분들이 실제 연구 현장을 경험하고 스스로의 진로를 탐색할 수 있도록 다양한 기회를 제공해 왔습니다.

감사하게도 인턴십이 종료된 이후에도 많은 분들이 ML2와 소중한 인연을 이어가고 계신데요, 그 중에서도 가장 최근에 ML2와 함께하신 EE Co-op 16기(신수용 님), 17기(제영선 님), 18기(황성준 님) 세 분을 모시고 인터뷰를 진행했습니다.

지원 계기부터 구체적인 연구 주제, 협업 방식, 그리고 Co-op 경험이 이후 진로에 어떤 영향을 주었는지까지 솔직한 이야기를 블로그를 통해 소개드립니다. 👏

23/02/2026

지난 1월, ML2의 이채혁, 윤세현님께서 판교글로벌비즈센터에서 열린 해시태그 에 참석해 발표도 진행해 주셨습니다. 🇰🇷🤖🙌

ROSConKorea2026 참석 후기를 블로그 포스팅으로 정리해 보았는데요,
👉 ML2의 발표내용인 NavOCR ( 로봇이 환경에서 마주하는 수많은 텍스트 중
내비게이션에 의미 있는 텍스트만 선택적으로 인지하도록 만든 on-device 경량 모델)
👉 그리고 “ROS(Robot Operation System)는 상업 레벨에서 가능한가?”라는 질문에 대한 다양한 산업 사례들을 함께 정리했습니다.

이번 컨퍼런스를 통해 논문으로는 접하기 어려운 현장에서 직접 겪은 경험과, ROS의 상용화 가능성 등 다양한 인사이트를 얻을 수 있었습니다.
블로그 포스팅을 통해 현장에 함께하지 못한 분들께는 저희가 보고 느낀 점들이 조금이나마 닿길 바라며, 참석하셨던 분들께는 그날의 열기를 다시 한번 되새겨보는 기분 좋은 갈무리가 되었으면 좋겠습니다.

🔗 블로그:

ML2 (KC-ML2) is a leading Machine Learning Lab specializing in AI research, deep learning, and compiler optimization.

26/01/2026

[Privacy-Preserving Machine Learning Framework (HECATE)]

지난 저널클럽에는 연세대학교 CORELAB (Compiler Optimization Research Laboratory)에서 연구를 하고 계시는 김성호님께서 ML2에 방문해 동형암호 (FHE)와 HECATE 프레임워크에 대해 설명해주셨습니다! 🙌

💡 동형암호 (Fully Homomorphic Encryption, FHE)란?
▪️암호화된 데이터를 먼저 복호화 하지 않고도 해당 데이터에 대해 연산을 수행할 수 있도록 하는 암호화 방식 중 하나입니다.
▪️연산 결과는 암호화된 형태로 남아 있으며, 이를 복호화하면 암호화 되지 않은 데이터에 대해 수행된 연산과 동일한 결과가 출력됩니다.
▪️특히 FHE 에서는, Bootstrapping 기술을 통해 암호화된 상태에서도 복잡하고 깊은 연산 수행이 가능합니다.
▪️NIST(National Institute of Standards and Technology) WPEC 2024에서 차세대 개인정보 보호 기술(PEC)로 주목받았으며, 구글, MS, 인텔 등 글로벅 빅테크 기업들이 앞다투어 개발중인 기술입니다.

하지만 기존의 동형암호는 연산시의 오버헤드와 복잡한 관리가 큰 진입장벽으로 남아있는데요, HECATE 는 이를 컴파일러 레벨에서 해결하고자 합니다.

💡HECATE Framework?
▪️DNN 모델을 타겟으로, MLIR 기반 컴파일러를 통해 사용자가 작성한 Python 코드를 효율적인 동형암호 연산으로 자동 변환합니다.
▪️암호문 연산 중 발생하는 노이즈와 스케일을 자동으로 관리하여 연산 성능을 최적화합니다.
▪️HEonGPU, SEAL 등 다양한 백엔드 라이브러리와 CPU, GPU, 가속기 등의 하드웨어를 지원합니다.

HECATE 프로젝트에 대해 더 자세한 점은 아래 링크를 참고해주세요!
🔗 https://lnkd.in/gEPpM6ju

ML2에 방문해주신 성호님과 함께 FHE 발전에 따른 하드웨어의 변화 및 Transformer 모델 구조로의 확장 가능성 등 다양한 주제를 중심으로 논의를 나눠보았습니다.
성호님 덕분에 동형암호의 최신 동향을 함께 톺아 볼 수 있는 의미 있는 자리가 되었습니다.

ML2에서는 이처럼 외부 연구자분들을 저널클럽에 초청하여 함께 이야기 나누어보는 시간을 갖고 있습니다.
저널클럽에 대해 궁금하시거나 참석을 원하시는 분은 로 편하게 연락 주세요! 🤗

At ML2, we host journal clubs where we invite external researchers to join us for discussions and exchanges of ideas.

If you're interested in our journal club or would like to attend, please feel free to reach out to us! 🤗

16/01/2026

2025 US LLVM Developers’ Meeting와 PyTorch Conference 2025 참석 후기를 블로그 포스팅으로 정리했습니다. ✏️
2025 US LLVM Developers’ Meeting에서의 ML2 엄의섭님 발표 내용을 포함해, 오픈소스 컴파일러 툴체인의 발전 방향을 함께 정리해 보았습니다. 또한 두 컨퍼런스를 직접 참석하며 느낀, AI 엔지니어링이 모델 자체를 넘어 실행·배포·운영 중심의 시스템으로 확장되고 있다는 흐름과 그에 대한 개인적인 생각들도 담았습니다.

👉 블로그 보러 가기 :

ML2 (KC-ML2) is a leading Machine Learning Lab specializing in AI research, deep learning, and compiler optimization.