소개 · Tae Hyun Kim (Lowell)

고위험·개인화 의사결정을 causal inference와 data-driven 방법으로 다루는 데이터 사이언티스트입니다. 이를 위해 statistical·probabilistic modeling, optimization, ML/AI, LLM 기반 agentic systems를 활용하며, 단순 예측이 아니라 counterfactual reasoning과 policy learning으로 응용 문제에 접근합니다.

through-line은 개인화입니다: 임상의 개인화 치료결정과 산업의 targeting은 동일한 방법론 코어의 양면이며, 그래서 의료 연구와 보험 산업을 오갑니다.

이 사이트

Obsidian vault의 노트를 Astro로 발행하는 지식 정원입니다 — publish: true로 표시한 노트만 공개됩니다. 위키링크·백링크로 연결되며, 코드·데이터·실험은 로컬 작업공간에, 개념과 연결은 여기에 둡니다.

노트 둘러보기 → GitHub Email

논문

PPFL: A personalized progressive federated learning method for leveraging different healthcare institution-specific features

Kim, T. H., Yu, J. Y., Jang, W. S., Heo, S. C., Sung, M., Hong, J., … Park, Y. R. (2024). iScience, 27(10).First author

Wicox: Weight-based integrated Cox model for time-to-event data in distributed databases without data-sharing

Park, J. A., Kim, T. H., Kim, J., & Park, Y. R. (2022). IEEE Journal of Biomedical and Health Informatics, 27(1), 526–537.Co-author

특허

Method and apparatus for analyzing safe driving behavior of vehicle drivers — KR 10-2024-0115693 (2024)
Personalized federated learning method and program for implementing the same — KR 10-2021-0097839 (2021)

경력

데이터 사이언티스트 · Data Lab

한화손해보험 (구 캐롯손해보험)

Lead — Multi-agent LLM system for insurance sales operations: Supervisor + 6 specialist agents, on-prem sLLM, a Metric Registry over ~50 KPIs / 27 tables with auditable provenance (no free-form SQL).
Lead — Causal-inference module of an end-to-end marketing optimization platform: causal discovery & SCM over the funnel, meta-learner CATE per campaign, CLV-based optimal policy learning.
Lead — Multi-touch attribution & cost-aware budget optimization: inhomogeneous Poisson process with right-censoring, Incremental Shapley credit assignment, marginal-efficiency re-allocation.
Lead — Reward-marketing CATE (R-Learner) + segmentation targeting → +13% company-wide conversion uplift (+45% in the top segment).

2022.03 – 현재

대학원 연구조교

연세대학교 · 의생명시스템정보학 연구실

Personalized progressive federated learning (PPFL) clinically validated across five hospitals (breast/liver/colorectal/lung cohorts) — distributionally robust learning across institutions.
Multi-institutional CDM data mart; propensity-score matching & multi-site meta-analysis of immune-checkpoint-inhibitor adverse reactions; uncertainty-quantified, explainable time-series models.

2020.03 – 2023.02

학력

Biomedical Systems Informatics 석사 (M.S.)

연세대학교 의과대학 · 서울

지도교수: 박유랑 · GPA 4.03 / 4.30 · 학위논문: Personalized Progressive Federated Learning with Client-Specific Vertical Features

2020.03 – 2023.02

Industrial Engineering 학사 (B.S.)

청주대학교 · 청주

GPA 4.24 / 4.50 (수석 졸업)

2014.03 – 2020.02