최윤석 교수 연구실(DLILAB), CIKM 2026 논문 2편 게재 승인

데이터 및 언어 지능(Data & Language Intelligence, DLILAB) 연구실 논문 2편이 인공지능 분야의 최우수 국제학술대회 CIKM 2026 (Conference on Knowledge and Information Management)에 게재 승인되었습니다. 논문은 11월 이탈리아 로마에서 발표될 예정입니다. 1. Kyutae Kim, Dohun Kim Taesoo Park, YunSeok Choi. “First News Report Retrieval for Short-Form Videos”, 35th International ACM Conference on Knowledge and Information Management (CIKM 2026) 이 논문은 AI 기술의 발전으로 뉴스가 유튜브 쇼츠 형태로 손쉽게 재가공·확산되는 상황에서, 영상에서 다루는 사건의 최초 보도 기사를 추적할 필요성을 제시하고, 이를 위한 프레임워크와 평가 벤치마크를 구축한 연구입니다. 연구진은 이러한 추적 과제를 ‘First News Report Retrieval for Short-Form Videos’로 정의하고, 2024년부터 2026년까지 보도된 99개 뉴스 주제의 최초 보도 기사와 관련 유튜브 쇼츠 865개를 직접 검수하여 벤치마크를 구축했습니다. 또한 뉴스 쇼츠 URL을 입력받아 최초 보도 기사를 추적하는 프레임워크를 제안했습니다. 이 프레임워크는 영상의 대본, 자막, 썸네일, 메타데이터 등을 활용해 핵심 사건 정보를 구조화한 뒤, 다양한 검색 쿼리 생성, 후보 기사 검색, 기사 내용 검증 및 보도 시점에 따른 순위화를 거쳐 최초 보도 기사를 찾습니다. 2. Youjin Lee, Chaewon Kang, YunSeok Choi, Jinyoung Han, “GRAIN: Detecting AI-Generated News via Article-Level Structure”, 35th International ACM Conference on Knowledge and Information Management (CIKM 2026) 이 논문은 대규모 언어 모델(LLM)이 인간이 작성한 것과 매우 유사한 뉴스 기사를 생성함에 따라 발생하는 허위정보 확산과 온라인 정보의 신뢰성 문제를 다루며, 여러 LLM 계열과 실제 AI 생성 뉴스 데이터셋에서 일관되게 나타나는 구조적 패턴을 분석했습니다. 이에 기반하여 뉴스 기사의 의미적 표현과 기사 수준의 구조적 패턴을 함께 학습하는 AI 생성 뉴스 탐지 모델 “GRAIN”을 제안합니다. 제안된 모델 성능은 뉴스 도메인의 벤치마크 데이터셋, 11개 LLM이 생성한 약 15만 건의 자체 구축 뉴스 데이터셋, 실제 환경에서 수집된 데이터셋을 활용해 성능을 평가하였습니다. 제안된 방법은 다양한 평가 환경에서 가장 우수한 기존 모델보다 평균 7.9%p 높은 ROC-AUC를 기록했으며, 기사 수준의 구조적 패턴이 AI 생성 뉴스 탐지의 강건성과 일반화 성능을 향상하는 효과적인 신호임을 입증했습니다. 최윤석 교수: ys.choi@skku.edu | 데이터&언어지능연구실: https://dli.skku.edu/

민무홍 교수 연구실(SWLAB), CIKM 2026 논문 2편 게재 승인

소프트웨어연구실(Software Laboratory, SWLAB)의 논문 2편이 인공지능 분야의 최우수 국제학술대회 CIKM 2026 (Conference on Knowledge and Information Management)에 게재 승인되었습니다. 논문은 11월 이탈리아 로마에서 발표될 예정입니다. 1. Geonwoo Bang, Dongho Kim and Moohong Min, “EVOL: Simulator-Guided Evolutionary Expert Synthesis for Deployment-Free Learning Path Recommendation”, 35th International ACM Conference on Knowledge and Information Management (CIKM 2026) (교신저자 민무홍) 이 논문은 강화학습 기반 학습 경로 추천(LPR)의 두 가지 근본 난제, 즉 중간 피드백 없이 긴 개념 시퀀스를 확정해야 하는 희소 보상 문제와 교육 데이터에 정답 경로가 존재하지 않는 문제를 함께 해결한 연구입니다. 연구진은 지식 추적 시뮬레이터를 활용해 진화 탐색으로 학습자별 전문가 시연을 합성하고, 이를 실제 배포 없이 학습하는 정책으로 증류하는 프레임워크 'EVOL'을 제안했습니다. EVOL은 훈련 시 시뮬레이터의 내부 상태를 활용하는 비대칭 액터-크리틱 구조를 채택해, 세 개 데이터셋과 다양한 경로 길이에서 기존 8개 방법을 모두 능가하는 성능을 보였습니다. 2. Minseok Hur, Damin Kim, Jiho Shin and Moohong Min, “Cite Unseen: Measuring Citation-Channel Vulnerabilities in Retrieval-Augmented Generation”, 35th International ACM Conference on Knowledge and Information Management (CIKM 2026) (교신저자 민무홍) 검색 증강 생성(Retrieval-Augmented Generation, RAG) 시스템은 답변과 함께 출처 URL을 제공하지만, 기존 보안 연구는 주로 공격으로 인해 답변 자체가 잘못되는지에 초점을 맞춰 왔습니다. 본 논문에서는 답변 내용은 정상적으로 유지하면서 인용 링크만 공격자가 원하는 악성 URL로 유도할 수 있는 새로운 인용 채널 공격(Citation-Channel Attack) 취약성을 분석하고, 이를 측정하기 위한 C-ASR(Citation-stage Attack Success Rate) 지표를 제안합니다. 4개의 BEIR 데이터셋, 3개의 검색 모델, 4개의 생성 모델을 대상으로 실험한 결과, 단 하나의 문서에서 출처 URL만 변경하는 단순한 공격으로도 취약한 모델에서 약 71%의 공격 성공률을 기록했으며, 이러한 취약성이 검색 모델보다 생성 모델의 인용 처리 방식에 크게 좌우됨을 확인했습니다. 이를 통해 기존의 답변 정확도 중심 RAG 보안 평가만으로는 탐지하기 어려운 인용 링크의 보안 위험을 밝히고, 인용 자체를 고려한 RAG 보안 평가와 방어 기법의 필요성을 제시했습니다. 민무홍 교수: iceo@skku.edu | 소프트웨어연구실: https://swlab.skku.edu/

민무홍 교수 연구실(SWLAB), DFRWS APAC 2026 논문 2편 게재 승인

소프트웨어연구실(Software Laboratory, SWLAB)의 논문 2편이 디지털포렌식 분야의 저명한 국제학술대회 DFRWS APAC 2026 (Digital Forensics Research Workshop Asia-Pacific)에 게재 승인되었습니다. 논문은 10월 싱가포르에서 발표될 예정입니다. DFRWS 게재 승인 논문은 SCIE 저널인 Forensic Science International: Digital Investigation(FSI:DI, Elsevier)에 출판됩니다. 1. Dongho Kim, Damin Kim and Moohong Min, “Evidence-Borne Prompt Injection in LLM-Assisted Textual Evidence Triage” (교신저자 민무홍) 이 논문은 이메일·문자메시지·메모 같은 자연어 증거를 대규모 언어모델(LLM)로 분류·선별하는 디지털 포렌식 과정에서, 증거 텍스트 자체에 심어진 지시문이 모델의 포렌식 판단을 조작할 수 있는 새로운 공격 표면을 최초로 정량 측정한 연구입니다. 연구진은 이를 '증거 기반 프롬프트 인젝션(evidence-borne prompt injection)'으로 정의하고, 정상 증거 300건과 인젝션이 삽입된 변형 9,000건으로 벤치마크를 구성해 평가했습니다. 그 결과 GPT-4o 기반 분석기는 정상 증거에서는 거의 완벽한 정확도를 보였으나 인젝션이 삽입된 경우 31.3%에서 공격자가 의도한 판정을 출력했으며, 특히 정상을 의심스러운 것으로 뒤집는 공격이 54.1%로 성공률이 높았습니다. 다만 증거를 신뢰할 수 없는 데이터로 취급하는 단순한 방어 기법만으로도 공격 성공률이 31.3%에서 0.6%로 낮아져, LLM 포렌식 파이프라인에서 텍스트 증거가 분석 대상일 뿐 아니라 판단을 왜곡하는 지시 전달 매체가 될 수 있음을 보였습니다. 2. Minseok Hur, Jiho Shin and Moohong Min, “STAFT: Privacy-Preserving Semantic Trace Abstraction for Forensic Triage of Personal AI Agent Incidents” (교신저자 민무홍) 개인 AI 에이전트의 실행 기록에는 이메일, 파일명, URL 등 민감한 정보가 포함될 수 있어 디지털포렌식 조사 과정에서 개인정보 노출 위험이 발생합니다. 이를 해결하기 위해, 본 논문에서는 원본 실행 기록을 행동(Action), 대상(Target), 의도(Intent) 중심의 구조화된 정보로 변환하는 개인정보 보호형 포렌식 프레임워크 STAFT (Semantic Trace Abstraction for Forensic Triage)를 제안합니다. STAFT는 민감한 원본 정보를 최소화하면서도 사건 분석에 필요한 행동 흐름을 유지하고, 해시 기반으로 원본 기록과의 무결성도 보장합니다. OS-HARM 벤치마크의 150개 AI 에이전트 실행 기록을 대상으로 평가한 결과, STAFT는 간접 프롬프트 인젝션 기록의 토큰을 98.5% 감소시키면서도 관련 정보 출처를 상위 3개 후보에 포함하는 정확도 94%를 유지했으며, 평가한 민감 정보가 복원 공격에서 하나도 복원되지 않아 개인정보 보호와 포렌식 활용성을 동시에 확보함을 보였습니다. 민무홍 교수: iceo@skku.edu | 소프트웨어연구실: https://swlab.skku.edu/

최윤석 교수 연구실(DLILAB), ACL 2025 논문 1편 게재 승인

데이터 및 언어 지능(Data & Language Intelligence, DLILAB) 연구실의 논문 1편이 세계 최고 권위의 자연어처리 국제학술대회인 ACL 2025 (“2025 Annual Conference of the Nations of the Association for Computational Linguistics”)에 게재 승인되었습니다. 논문은 7월 오스트리아 빈에서 발표될 예정입니다. - Jihyung Lee, Jin-Seop Lee, Jaehoon Lee, YunSeok Choi†, Jee-Hyong Lee†, "DCG-SQL: Enhancing In-Context Learning for Text-to-SQL with Deep Contextual Schema Link Graph", Proceedings of the 2025 Annual Conference of the Association for Computational Linguistics (ACL 2025) († Corresponding Author) 자연어 질문을 SQL 쿼리로 변환하는 Text-to-SQL Task는 대형 언어 모델(LLM)의 In-context learning을 통해 발전해왔습니다. 하지만 기존의 방법들은 무작위로 선택한 Demonstration과 비교해도 성능 향상이 거의 없으며, Llama 3.1-8B와 같은 소형 LLM을 사용할 경우 성능이 크게 하락하는 문제를 보입니다. 이는 현재 방법들이 실제로 유용한 Demonstration을 효과적으로 검색하기보다는, 초대형 LLM의 내재된 능력에 과도하게 의존하고 있습니다. 본 논문에서는 Demonstration을 효과적으로 검색하고 SQL 쿼리를 생성하기 위한 새로운 접근법을 제안합니다. 우리는 질문(Query)과 스키마(Schema) 항목 간의 핵심 정보와 의미적 관계를 포함하는 Deep Contextual Schema Link Graph를 구성합니다. 제안된 방법은 Text-to-SQL 샘플을 효과적으로 표현하고, In-context learning에 유용한 Demonstration을 검색할 수 있도록 합니다. Spider 벤치마크에서의 실험 결과는 제안된 방법의 효용성을 입증하며, 다양한 초대형 LLM뿐만 아니라 소형 LLM에서도 SQL 생성 성능이 향상됨을 보여줍니다. 본 방법은 소형 모델과 초대형 모델 모두에서 효율성과 효과성을 입증했습니다. 최윤석 교수: ys.choi@skku.edu | 데이터 및 언어 지능 연구실: https://dli.skku.edu/