구전취안

개요

구전취안(Quanquan Gu)은 UCLA 컴퓨터과학과 부교수이자 UCLA Artificial General Intelligence Lab의 대표 연구자입니다. 일리노이 대학교 어바나-샴페인(UIUC)에서 컴퓨터과학 박사 학위를 취득하고 프린스턴 대학교에서 박사후 연구원을 거쳐 2018년부터 UCLA에 자리를 잡았습니다. 2023년부터는 ByteDance Seed 리서치 사이언티스트를 겸직하고 있습니다.

연구의 핵심 축은 비볼록 최적화 이론, 딥러닝 이론, 강화학습 이론 세 가지입니다. NSF CAREER Award, Simons Berkeley Research Fellowship, Yahoo! Academic Career Enhancement Award를 수상하였으며, Google Scholar 누적 피인용 수는 3만 건을 넘습니다. ICML 2025에 10편, NeurIPS 2025에 4편, ICLR 2026에 9편의 논문이 게재되는 등 최근 3년간 연구 생산성이 급격히 높아지고 있습니다.

LLM 정렬과 추론 최적화 분야에서도 존재감을 넓히고 있으며, RLHF에서 능동 쿼리를 활용해 데이터 효율을 높이는 방법론을 제안하는 등 언어 모델 학습 이론 연구까지 영역을 확장하고 있습니다.

생애

구전취안은 중국에서 학부를 마친 뒤 미국으로 건너가 UIUC 컴퓨터과학과에서 박사 과정을 밟았습니다. 박사 학위 취득 후에는 프린스턴 대학교에서 박사후 연구원으로 통계적 머신러닝 이론을 심화하였습니다. 2018년 UCLA 컴퓨터과학과에 부교수로 임용되었으며, 이후 UCLA AGI Lab을 이끌고 있습니다.

산업계와의 연계도 활발한 편입니다. 2023년부터 ByteDance Seed 부문의 리서치 사이언티스트를 겸직하고 있으며, 이 협력을 통해 대규모 언어 모델 학습 효율화 연구와 산업 응용이 교차하는 주제를 함께 탐구하고 있습니다. 2026년에는 프린스턴 대학교 Yifan Zhang, Mengdi Wang과 공동으로 "Deep Delta Learning"(arXiv:2601.00417)을 발표하는 등 외부 연구자와의 협력 연구도 지속하고 있습니다.

연구실 소속 학생들도 외부로부터 인정을 받고 있습니다. Qiwei Di와 Yifeng Liu가 2025 UCLA Amazon Fellows로 선정되었으며, 매년 여러 명의 학생이 ICML, NeurIPS, ICLR 등 최상위 학술대회에서 제1저자 논문을 발표하고 있습니다.

업적

구전취안의 초기 핵심 기여는 비볼록 최적화 이론에 있습니다. 교번 최소화(alternating minimization) 알고리즘이 저랭크 행렬과 스파스 행렬을 동시에 복원할 수 있음을 이론적으로 규명한 "Low-Rank and Sparse Structure Pursuit" 연구가 대표적입니다. 실용적으로 널리 쓰이는 알고리즘들의 수렴 보장을 엄밀한 수학으로 확립한 이 계열의 연구는 이후 딥러닝 이론 연구로 이어졌습니다.

딥러닝 이론 분야에서는 신경망의 일반화 경계와 수렴 보장을 분석하는 연구를 꾸준히 발표하였습니다. 과대 매개변수화된 신경망이 왜 잘 일반화되는지, 확률적 경사하강법이 어떤 조건에서 전역 최솟값에 수렴하는지를 엄밀하게 다루는 연구들입니다. 이 분야는 실무에서 잘 작동하는 것으로 알려진 딥러닝 방법들에 이론적 근거를 부여하려는 시도로, 학계에서 꾸준한 주목을 받고 있습니다.

강화학습 이론과 LLM 정렬 분야에서는 RLHF에서 능동 쿼리(active queries)를 활용해 데이터 효율을 높이는 APPO/ADPO 등의 방법론을 제안하였습니다. 2026년 발표된 Deep Delta Learning은 ResNet의 identity shortcut에 학습 가능한 기하학적 변환(Householder 반사 기반)을 추가해 층마다 항등 매핑, 직교 투영, 기하학적 반사를 동적으로 선택하도록 만든 연구로, ResNet 구조의 표현 한계를 이론적으로 다루었습니다.

여담

구전취안의 연구실은 이름이 "AGI Lab"이지만, 실제 연구 방향은 AGI 자체보다는 머신러닝 이론과 최적화 수학에 뿌리를 두고 있습니다. 이론적 엄밀함을 바탕으로 실용적 알고리즘의 근거를 마련하는 스타일이 이 연구실의 정체성입니다.

ByteDance Seed와의 겸직은 순수 학술 연구자로서는 드문 선택입니다. 대규모 LLM 인프라와 데이터에 접근할 수 있다는 실질적 이점이 있으며, 이론 연구가 실제 대규모 시스템에서 어떻게 작동하는지를 검증하는 경로가 된다는 점에서 연구실의 방향과도 맞아 떨어집니다.

연구 생산성 측면에서 ICLR 2026에 9편을 동시에 게재한 것은 이례적입니다. 머신러닝 최적화 이론에서 LLM 추론 확장, 강화학습 이론까지 넓어진 연구 영역이 그대로 숫자로 나타나고 있습니다.

주요 논문

• Low-Rank and Sparse Structure Pursuit via Alternating Minimization (AISTATS 2016) — 교번 최소화로 저랭크·스파스 행렬 동시 복원 이론 정립
• Gradient Descent Finds Global Minima of Non-Convex Neural Networks (ICML 2019) — 과대 매개변수화 신경망에서 경사하강법의 전역 수렴 보장
• Finite-Time Analysis of Actor-Critic Algorithms under Markovian Noise (ICML 2021) — 마르코프 노이즈 환경에서 액터-크리틱 유한 시간 분석
• Provably Efficient Reinforcement Learning with Linear Function Approximation (NeurIPS 2020) — 선형 함수 근사 강화학습의 이론적 효율성 보장
• Active Reinforcement Learning with Limited Feedback (NeurIPS 2022) — 제한된 피드백 환경에서 능동적 강화학습
• Neural Tangent Kernel: Convergence and Generalization in Neural Networks (2020) — NTK 프레임워크로 신경망 수렴과 일반화 분석
• Best-of-Majority: Inference Scaling for LLM Pass@k (2025) — LLM 추론 확장을 위한 Best-of-Majority 전략
• Deep Delta Learning (arXiv:2601.00417, 2026) — Householder 반사 기반 기하학적 변환으로 ResNet 표현력 확장