우리 대학 일반대학원 건설시스템공학부 박지연 박사과정, 장상범·김지환·김서영·문경민 석사과정 학생(지도교수: 신주영)을 비롯한 연구팀이 2026년 한국수자원학회 학술발표회(2026.05.20.~05.22.)에서 우수발표 논문상을 수상했다. 박지연 박사수료 학생은 강우유출 세션에서 "이종도메인 기반 인공지능을 활용한 하수도 수위 예측 기법 개발"을 발표하였다. 본 연구는 하수도 수위 예측의 정확도를 높이기 위해 서로 다른 도메인의 데이터를 결합한 인공지능 기법을 도입하였으며, 도시 침수 대응을 위한 실시간 예측 시스템의 고도화에 기여하고자 하였다. 장상범 석사과정 학생은 학생경연세션에서 "강우 나우캐스팅을 위한 스케일 인지형 멀티모달 AI 개발"을 발표하였다. 본 연구는 다양한 공간 스케일의 기상 정보를 통합적으로 처리할 수 있는 멀티모달 AI 모델을 제안하여, 단시간 강우 예측(나우캐스팅)의 정밀도를 향상시키는 데 초점을 두었다. 김지환 석사과정 학생은 학생경연세션에서 "GEV 분포의 면적 공변량 매개변수를 이용한 확률론적 강수량-면적-지속기간(DAF) 곡선의 유도"를 발표하였다. 본 연구는 GEV 분포의 매개변수에 면적을 공변량으로 도입함으로써 유역 규모를 고려한 확률론적 DAF 곡선 산정 방법론을 제시하였으며, 수공구조물 설계 기준의 고도화에 기여할 것으로 기대된다. 김서영 석사과정 학생은 학생경연세션에서 "생존분석을 활용한 하천시설물 생애주기 성능저하 예측 모델 연구"를 발표하였다. 본 연구는 의료·보험 분야에서 주로 활용되는 생존분석 기법을 하천시설물에 적용하여, 시설물의 성능 저하 패턴을 정량적으로 모델링하고 생애주기 기반의 유지관리 의사결정 지원 가능성을 제시하였다. 문경민 석사과정 학생은 학생경연세션에서 "댐 운영 규정 문서의 질의응답 지원을 위한 Qwen-RAG 프레임워크 개발: 문서 분할 및 검색전략 효과 분석"을 발표하였다. 본 연구는 대규모 언어 모델(LLM) 기반의 RAG(Retrieval-Augmented Generation) 프레임워크를 댐 운영 규정 문서에 적용하여, 복잡한

우리 대학 일반대학원 공간디자인학과 석사과정 서윤재 학생(지도교수 이선정)이 2026 한국문화공간건축학회 춘계학술대회에서 우수논문상을 수상했다. 한국문화공간건축학회(회장 김민경)는 문화, 공간, 건축 전반의 학술적 연구와 실천적 성과를 공유하는 학술단체로, 2026년 춘계학술대회는 지난 5월 15일 중앙대학교 대신홀에서 「리-라우팅(Re-routing) 글로벌 × 협업 = 뮤지엄 인프라」를 주제로 개최되었다. 이번 수상 논문은 「게임 레벨 디자인 원리를 적용한 인터랙티브 공간 설계 연구 - 퀘스트 구조와 동선 체계의 물리적 변환을 중심으로 -」이다. 본 연구는 게임 디자인의 레벨 디자인 원리와 베르나르 츄미의 시네마틱 시퀀스 이론을 결합하여, 오프라인 인터랙티브 공간에서 사용자의 이동과 참여를 유도하는 공간 설계 방법론을 제안하였다. 특히 진입, 여정, 도전, 리듬, 보상의 5단계 프레임워크를 설정하고, 리얼월드 성수, 오메가 마트, 전기적 감동 전시 사례를 비교 분석함으로써 퀘스트 구조와 동선 체계를 물리적 공간 디자인 언어로 전환한 점에서 연구의 독창성과 실무적 적용 가능성을 인정받았다. 서윤재 학생은 향후 본 연구를 바탕으로 게이미피케이션, 사용자 참여, 공간 시퀀스 설계가 결합된 인터랙티브 공간디자인 연구를 지속적으로 발전시켜 나갈 예정이다. △ 서윤재 학생(일반대학원 공간디자인학과 석사과정 25)

국민대학교(총장 정승렬) 인공지능학부 김장호 교수(교신저자)가 이끄는 연구팀의 정진우 석사과정생과 AI빅데이터융합경영학과 학부생 이현준, 조현식이 참여한 논문 “SQuaT: Self-Supervised Knowledge Distillation via Student-Aware Quantized Teacher Features”가 모로코 탕헤르에서 개최된 AISTATS 2026에서 발표됐다. AISTATS는 1985년부터 개최되어 온 인공지능 분야의 이론과 응용 연구를 아우르는 최우수 국제학술대회이다. 이번 연구는 학습 label 없이도 quantized model의 성능을 향상시키는 새로운 방법론을 제안한 데 의미가 있다. 논문에서 제안한 SQuaT(Student-Aware Quantized Teacher Features)는 양자화(quantization)된 학생 모델이 표현할 수 있는 범위를 고려해, 고정밀 교사 모델의 중간 특징(feature)을 학생 모델에 맞게 정렬하는 방식이다. 기존의 label-free 양자화 인식 학습(Quantization-Aware Training, QAT) 방법은 주로 최종 출력값(logit) 기반의 지식 증류(knowledge distillation, KD)에 의존해 중간 특징 정보를 충분히 활용하지 못하는 한계가 있었다. 반면 특징 수준의 지식 증류를 활용하는 방법은 고정밀 교사 모델과 저비트 학생 모델 사이의 값 범위 차이로 인해 실제로 도달하기 어려운 학습 목표가 생긴다는 문제가 있었다. 연구팀은 학생 모델의 양자화 파라미터를 활용해 교사 모델의 중간 특징을 학생이 실제로 표현 가능한 양자화 공간으로 투영하는 student-aware projection 방식을 개발했다. 이를 통해 교사 모델과 학생 모델 간 특징 불일치를 줄이고, label-free 환경에서도 보다 안정적인 양자화 학습이 가능함을 보였다. 이번 성과는 경량 인공지능 모델의 성능을 높이면서도 추가 라벨링 비용을 줄일 수 있다는 점에서 의미가 있다. 연구팀은 제안한 SQuaT 코드를 공개해 다양한 양자