AI대학원 석사과정 윤우성, 박사과정 최여준 학생(공동 제1저자)의 논문 "Rethinking Overconfidence in VAEs: Can Label Smoothing Help?"이 올해 프라하에서 개최된 The ACM Conference Series on Recommender Systems (RecSys)에 포스터 세션으로 채택되어 발표되었다. 

RecSys는 추천 시스템 분야의 최고 권위 국제 학회로, 추천 시스템 연구 결과와 기술을 발표하는 가장 중요한 연례 학술대회이다.윤우성, 최여준 학생은 Variational Autoencoders (VAEs) 기반 추천시스템에서 그동안 간과되었던 과신뢰(Overconfidence) 문제를 체계적으로 규명하였다. 연구팀은 이 문제의 근본 원인이 추천 시스템의 두 가지 본질적 특성, 즉 데이터 희소성(Data Sparsity)과 암묵적 피드백(Implicit Feedback)에 있음을 이론적·실증적으로 밝혀냈다. 특히 주목할 만한 기여는 과신뢰 문제가 임베딩 붕괴(Embedding Collapse) 현상으로 이어진다는 사실을 VAE 기반 협업 필터링 연구에서 최초로 발견한 것이다. 임베딩 붕괴는 사용자와 아이템의 잠재 표현이 좁은 부공간으로 수렴하여 모델의 표현 능력이 심각하게 저하되는 현상을 의미한다. 연구팀은 레이블 스무딩(Label Smoothing)이라는 정규화 기법을 통해 이 문제를 효과적으로 완화할 수 있음을 실험적으로 입증하였으며, 더 나아가 레이블 스무딩이 VAEs 기반 추천시스템에서 작동하는 메커니즘을 수학적으로 증명하였다. 이러한 발견은 추천시스템 분야에서 과신뢰와 임베딩 붕괴 문제를 명시적으로 다루어야 할 필요성을 제기하며, 향후 VAE 기반 추천 모델 연구의 중요한 방향을 제시한다.

본 연구는 중앙대학교 인공지능대학원 지원사업을 통해 진행되었다.