폴리나 키리첸코

🏷️ 인물 머신러닝

개요

폴리나 키리첸코(Polina Kirichenko)는 Meta FAIR의 리서치 사이언티스트이자 프린스턴 대학교 방문 연구원입니다. 머신러닝 모델의 강건성과 신뢰성을 핵심 주제로 연구하며, 특히 분포 이동(distribution shift), 가짜 상관(spurious correlation), 그룹 강건성(group robustness) 분야에서 두각을 나타내고 있습니다.

2022년에 발표한 마지막 레이어 재학습(Last Layer Retraining, DFR) 논문으로 주목받았고, 2025년에는 추론 LLM이 대답 불가능한 질문에서 실패한다는 점을 체계적으로 측정한 AbstentionBench를 발표했습니다. 머신러닝 강건성에서 출발해 LLM 신뢰성 평가로 연구 영역을 넓혀가는 흐름이 특징입니다.

생애

키리첸코는 NYU 데이터 사이언스 센터에서 박사 학위를 받았습니다(2019-2024). 박사 기간 중 가짜 상관 문제를 중심으로 그룹 강건성과 분포 외 일반화(OOD generalization) 연구를 진행했습니다. NYU 재학 중에도 Meta FAIR, DeepMind, EPFL, Cold Spring Harbor Laboratory 등에서 인턴 및 방문 연구 경험을 쌓았습니다.

박사 졸업 후에는 Meta FAIR에 리서치 사이언티스트로 합류했으며, 동시에 프린스턴 대학교 방문 연구원 신분을 병행합니다. 2025년에는 여름 또는 가을 시작 박사 연구 인턴을 채용하는 등 후속 세대 연구자 육성에도 관심을 보이고 있습니다. CVPR 2025에서는 컴퓨터 비전의 인구통계학적 다양성을 다루는 DemoDiv 워크숍 공동 주최자로 참여했습니다.

업적

키리첸코의 가장 많이 인용되는 기여는 가짜 상관 환경에서의 마지막 레이어 재학습(DFR, Deep Feature Reweighting) 연구입니다. 이 논문은 모델 전체를 재학습하지 않고 마지막 분류 레이어만 다시 학습해도 최신 그룹 강건성 기법과 맞먹거나 앞설 수 있음을 실험적으로 보였습니다. 배경이나 텍스처 같은 비인과적 특성에 의존하는 현상을 경제적으로 교정하는 방법으로 평가받습니다.

그룹 강건성과 분포 외 일반화 연구는 이후 데이터 프루닝(DRoP, Distributionally Robust Data Pruning, ICLR 2025)으로 이어졌습니다. 이 작업에서는 분포 강건성을 유지하면서 훈련 데이터를 효율적으로 가지치기하는 방법을 제안했습니다.

2025년 NeurIPS에 발표된 AbstentionBench는 추론 LLM이 대답 불가능한 질문(unanswerable questions)에서 어떻게 실패하는지를 체계적으로 측정하는 벤치마크입니다. 추론 LLM이 "모른다"고 해야 할 상황에서도 환각을 일으킨다는 핵심 발견은 LLM 신뢰성 연구에서 중요한 데이터 포인트로 자리 잡았습니다. ICLR 2026에는 "Visual Compositional Tuning" 논문을 발표했으며, 멀티모달 모델의 구성적 시각 이해 개선을 다룹니다.

여담

키리첸코의 연구 궤적은 정통 머신러닝 강건성 연구에서 LLM 신뢰성 평가로 자연스럽게 이동하고 있습니다. DFR에서 AbstentionBench로의 이동은 "모델이 언제 틀리는가"에서 "모델이 언제 침묵해야 하는가"로 질문의 중심이 이동한 것이며, 두 질문 모두 같은 강건성 관심사의 다른 층위라는 점이 일관성을 보여줍니다.

본 블로그의 논문 Quantized Reasoning Models Think They Need to Think Longer, but They Do Not의 공저자이기도 합니다. 양자화 모델이 정답을 찾고도 자기 의심에 빠져 끝맺지 못하는 "과사고(overthinking)" 현상을 다루는 이 논문은, AbstentionBench와 마찬가지로 모델이 언제 멈추어야 하는지를 묻는다는 점에서 그의 연구 관심사와 맞닿아 있습니다.

주요 논문