메이삼 라자비얀
개요
메이삼 라자비얀(Meisam Razaviyayn)은 University of Southern California(USC)의 부교수로, Andrew and Erna Viterbi Early Career Chair를 보유하고 있습니다. 산업·시스템공학, 컴퓨터과학, 정량·계산생물학, 전기공학 등 네 개 학과를 겸직하는 드문 이력의 연구자입니다. USC-Meta REAL(Research and Education in AI and Learning) 센터의 부소장도 맡고 있으며, Google Research에는 파트타임 Research Scientist로 합류해 있습니다.
그의 연구 그룹 ODDS(Optimization for Data-Driven Science)는 현대 AI 시대에 필요한 효율적이고 신뢰 가능한 최적화 알고리즘 설계에 집중합니다. 연구 성과는 ICLR, SIAM Journal on Optimization, IEEE Transactions on Signal Processing 등 최상위 학술지와 학회에 발표됩니다.
생애
라자비얀은 이란 이스파한 출신으로, 2008년 이스파한 공과대학교(Isfahan University of Technology)에서 학부를 마쳤습니다. 이후 미국으로 건너가 미네소타 대학교에서 수학 석사와 전기공학 박사 학위를 받았으며, 컴퓨터과학 부전공도 병행했습니다. 박사 과정에서 쌓은 신호처리·최적화 이론이 이후 머신러닝 연구의 수학적 기반이 됩니다.
박사 학위 직후 스탠퍼드 대학교에서 포스닥을 거쳐 USC에 교수로 임용되었습니다. USC 부임 후 Google Research와의 파트타임 협력을 이어가며 산학 양쪽 시각을 균형 있게 유지하고 있습니다. 2025~2026년에도 NSF의 "Resource-Aware Algorithms" 과제 PI를 맡아 연구를 지속하고 있습니다.
업적
라자비얀의 핵심 기여는 비볼록(nonconvex) min-max 최적화 이론의 체계화에 있습니다. 생성적 적대 신경망(GAN), 적대 훈련, 공정 머신러닝 등 다양한 문제가 min-max 형태로 귀결된다는 점에 주목하고, 이 난제에 대한 수렴 보장을 갖는 알고리즘 설계를 선도했습니다.
공정 머신러닝 분야에서는 성별·인종 같은 민감 속성에 대한 차별을 줄이는 FERMI(Fair Empirical Risk Minimization via Exponential Rényi Mutual Information) 프레임워크를 제안해 ICLR 2022에 발표했습니다. 연합 학습 분야에서는 이질적인 클라이언트 데이터를 다루는 프라이버시 보장 알고리즘 연구를 꾸준히 내놓고 있으며, 2023년 ICLR에서 "Private Federated Learning Without a Trusted Server"를 발표했습니다. 차분 프라이버시와 공정성을 동시에 고려하는 "Stochastic Differentially Private and Fair Learning"(ICLR 2023)도 주목할 성과입니다.
2022년 NSF CAREER Award, 2021년 AFOSR Young Investigator Award, 2021년 3M Nontenured Faculty Award, 2020년 ICCM Best Paper Award in Mathematics, 2019년 IEEE Data Science Workshop Best Paper Award, 2014년 IEEE Signal Processing Society Young Author Best Paper Award 등 다수의 상을 받았습니다.
여담
라자비얀은 Nested Learning 연구에서 Delta Gradient Descent, Delta Momentum, Multi-scale Momentum Muon(M3) 등 새로운 학습 규칙의 수학적 형식화를 담당한 것으로 알려져 있습니다. 그가 USC에서 다뤄온 신뢰 가능한 최적화의 시각이 옵티마이저를 "연상 기억 모듈"로 재해석하는 통찰과 맞닿아 있다는 평가입니다.
이스파한 공대 출신이 미네소타 박사, 스탠퍼드 포스닥, USC 교수, Google 파트타임을 동시에 이어가는 경로는 수학·공학 이중 배경이 현대 AI 연구에서 얼마나 강력한 진입 경로가 될 수 있는지를 잘 보여줍니다.
주요 논문
- Nonconvex Min-Max Optimization: Applications, Challenges, and Recent Theoretical Advances (IEEE Signal Processing Magazine, 2020)
- Fair Resource Allocation in Federated Learning (ICLR 2020)
- FERMI: Fair Empirical Risk Minimization via Exponential Rényi Mutual Information (NeurIPS 2021)
- Stochastic Differentially Private and Fair Learning (ICLR 2023)
- Private Federated Learning Without a Trusted Server: Optimal Algorithms for Convex Losses (ICLR 2023)
- f-FERM: A Scalable Framework for Robust Fair Empirical Risk Minimization (2023)
- Successive Convex Approximation in Nonconvex Optimization (SIAM Journal on Optimization)
- Parallel and Distributed Successive Convex Approximation Methods for Big-Data Optimization