IRIS Lab Visits Calgary ML Lab for Research Exchange
IRIS 연구실의 고종환 교수님 인솔 하에 오영환, 강윤성 연구원은 2026년 5월 18일부터 19일까지 캐나다 캘거리 대학교(University of Calgary) Yani Ioannou 교수님의 Calgary ML Lab을 방문하여 연구 교류를 진행하였습니다.
첫째 날에는 Ioannou 교수님과 개별 미팅을 통해 각 연구원의 연구에 대한 직접적인 피드백을 받았습니다. 강윤성 연구원은 디퓨전 모델 concept unlearning 연구를 공유하며, attention 기반 loss 설계, 타임스텝별 erase·anchor loss 비중을 동적 조절하는 Time-Gated Loss 기법, style erasure와 concept erasure 분리 전략, sparsity가 생성 품질에 미치는 영향 등을 논의하였습니다. 오영환 연구원은 Dynamic Sparse Training(DST)과 machine unlearning을 결합한 접근법을 소개하고, unstructured에서 structured sparsity로의 확장 방안과 classification·Stable Diffusion 모델 양쪽에의 병렬 적용 계획을 검토하였습니다.
둘째 날에는 양 연구실 합동 미팅에서 소속 연구원들이 각자의 연구를 발표하였습니다. IRIS 연구실에서는 오영환 연구원이 machine unlearning 기초 개념 및 DST+Unlearning 접근법을, 강윤성 연구원이 디퓨전 모델 unlearning 기법을 각각 발표하였습니다. Calgary ML Lab에서는 Mohammed Adnan의 sparse training 안정성 보정 기법 SparseOpt (ICML 2026 accepted), Mike Lasby의 MoE one-shot 압축 기법 REAP (ICLR 2026), Yufan Feng의 VLM 대상 concept-driven backdoor 공격 연구 (ICML Workshop 2025), Tejas Pote의 data pruning과 classification bias 분석 (CPAL 2024), Abhishek Rajora의 Lottery Ticket Hypothesis 소개가 발표되었습니다.
발표 후에는 sparsity 알고리즘의 하드웨어 가속 실현 가능성, unlearning 적용 후 adversarial prompt에 의한 개념 복원 취약점과 robustness 평가 기준 확립 필요성 등을 주제로 토론이 이어졌으며, 양 연구실 간 sparsity·unlearning·모델 압축 분야의 후속 협력 방향을 논의하였습니다.
Under the supervision of Prof. Jong Hwan Ko, researchers Yeong Hwan Oh and Yunsung Kang from the IRIS Lab visited the Calgary ML Lab, led by Prof. Yani Ioannou at the University of Calgary, Canada, from May 18 to 19, 2026.
On the first day, each researcher received direct feedback from Prof. Ioannou on their ongoing work. Yunsung Kang shared his research on concept unlearning in diffusion models, discussing attention-based loss design, the Time-Gated Loss technique for dynamically balancing erase and anchor losses across timesteps, strategies for separating style and concept erasure, and the effect of sparsity on generation quality. Yeong Hwan Oh introduced his approach combining Dynamic Sparse Training (DST) with machine unlearning and reviewed plans for extending from unstructured to structured sparsity and for parallel application to both classification and Stable Diffusion models.
On the second day, a joint lab meeting featured research presentations from both groups. From the IRIS Lab, Yeong Hwan Oh presented on machine unlearning fundamentals and his DST+Unlearning approach, while Yunsung Kang presented on diffusion model unlearning. From Calgary ML Lab, presentations included Mohammed Adnan’s SparseOpt for sparse training stability (ICML 2026 accepted), Mike Lasby’s REAP for one-shot MoE compression (ICLR 2026), Yufan Feng’s concept-driven backdoor attacks on VLMs (ICML Workshop 2025), Tejas Pote’s analysis of data pruning and classification bias (CPAL 2024), and Abhishek Rajora’s introduction to the Lottery Ticket Hypothesis.
After the presentations, discussions covered the feasibility of hardware acceleration for sparsity-based algorithms, the vulnerability of unlearned concepts to recovery via adversarial prompts and the need for robustness evaluation criteria, and directions for continued collaboration between the two labs in sparsity, unlearning, and model compression.
