왕청핑

🏷️ 머신러닝 데이터분석 수석과학자 NeurIPS논문 Star

개요

왕청핑(王春平, Chunping Wang)은 중국 핀테크 기업 FinVolution Group(玖富集团)의 Chief AI Scientist입니다. 금융 도메인에서의 그래프 신경망(GNN) 응용과 프롬프트 튜닝을 주된 연구 영역으로 삼으며, 학계와 산업계를 잇는 산학 협력 연구자로 활동합니다. 절강대학교의 양양 교수 그룹 및 홍콩과학기술대학교의 천레이 교수 그룹과 지속적으로 공동 연구를 진행합니다.

Google Scholar 기준 h-index 23, 총 인용 2,300회 이상의 연구 실적을 보유합니다. 순수 산업계 연구자로서 이례적으로 높은 학술 영향력을 지닌 인물로 평가받으며, KDD, NeurIPS, WWW 등 최상위 학회에 꾸준히 논문을 발표합니다. 금융 데이터라는 실제 기업 자산을 학술 연구에 연결하는 역할을 맡고 있습니다.

생애

왕청핑의 구체적인 학부 및 대학원 이력은 공개된 자료에서 확인하기 어렵습니다. 현재까지 알려진 경력은 FinVolution Group 재직이 중심입니다. FinVolution Group은 중국 최대 핀테크 플랫폼 중 하나로, 개인 금융 데이터를 기반으로 신용 평가와 이상 거래 탐지에 AI를 적극 활용합니다.

그는 기업 내 AI 연구를 총괄하는 Chief AI Scientist로서 금융 데이터의 그래프 구조적 특성을 활용한 이상 탐지, 사기 방지 시스템 개발을 주도합니다. 동시에 절강대학교, 홍콩과학기술대학교 등 학계 연구진과 공동 1저자 또는 시니어 저자로 논문을 꾸준히 발표하며 산학 협력 모델을 실천합니다.

2024년에는 WWW 2024에 "Graph-Skeleton: ~1% Nodes are Sufficient to Represent Billion-Scale Graph"를 발표했습니다. 수십억 개 노드를 가진 대규모 그래프를 1% 이하의 스켈레톤으로 압축해 핵심 구조를 보존하는 연구로, 산업 환경의 대규모 그래프 처리 문제를 직접 겨냥한 작업입니다. 2025년 KDD에서도 그래프 피처 이질성 문제를 다루는 연구에 공저자로 참여했습니다.

업적

왕청핑의 가장 높은 인용 논문은 NeurIPS 2023에 발표된 "Universal Prompt Tuning for Graph Neural Networks"입니다. GPF(Graph Prompt Feature)라는 범용 프롬프트 튜닝 방법을 제안하며, 어떤 사전학습 전략으로 훈련된 GNN에도 단일 프롬프트 설계를 적용할 수 있게 합니다. 발표 이후 265회 이상 인용됐으며, GNN 프롬프트 학습 분야의 기준 연구로 자리 잡았습니다.

DGraph(NeurIPS 2022)는 왕청핑이 공동 제안한 금융 그래프 이상 탐지용 대규모 벤치마크 데이터셋입니다. 약 300만 개 노드, 400만 개 동적 엣지, 100만 개의 레이블 노드로 구성되어 있으며, 이상 노드와 정상 노드 간 구조적 차이를 명시적으로 반영해 기존 그래프 이상 탐지 벤치마크의 한계를 극복했습니다. 이후 210회 이상 인용되며 금융 그래프 연구의 표준 실험 자료로 활용됩니다.

DropMessage(AAAI 2023)는 GNN 메시지 전달 과정에서 다양한 랜덤 드롭 기법을 통합 관리하는 프레임워크입니다. DropEdge, DropNode 등 기존 방법들을 동일한 메시지 드롭 관점으로 재해석하여 112회 이상 인용되었습니다. HyGRAG - A Unified Framework for Context-Aware and Relation-Aware Graph Retrieval-Augmented Generation에서는 산업계 시니어 저자로 참여해 그래프 기반 검색 증강 생성의 실용화 연구에도 기여했습니다.

여담

왕청핑은 순수 산업계 소속임에도 불구하고 절강대학교, 홍콩과학기술대학교 등 여러 대학 연구실과 수년에 걸쳐 공동 연구를 이어가는 방식으로 학술 커뮤니티와 연결고리를 유지합니다. 기업이 실제 금융 데이터와 도메인 지식을 제공하고 학계는 이론적 방법론을 제공하는 구조로, 중국 AI 산업계에서 흔히 볼 수 있는 산학 협력 모델의 전형적인 사례입니다.

DGraph 데이터셋이 공개 이후 금융 이상 탐지 연구자들에게 표준 벤치마크로 받아들여진 것은, 실제 기업 데이터를 바탕으로 한 현실적인 설계 덕분이라는 평가를 받습니다. 수백만 규모의 실제 거래 데이터에서 추출된 그래프 구조가 학술 연구에서 재현 불가능했던 규모와 복잡성을 제공했습니다.

산업계 AI 연구자로서 논문 발표와 제품 개발을 병행하는 방식은, 연구 주제가 현실 문제에서 직접 출발한다는 강점을 가집니다. FinVolution의 사기 탐지 시스템에서 출발한 그래프 이상 탐지 연구가 학계 표준 벤치마크로 이어진 경로가 그 단적인 예입니다.

주요 논문