한유나 · Yuna Han, Ph.D.Yuna Han, Ph.D.

서울여자대학교 지능정보보호학부 조교수로 재직하며, 프라이버시 인지형 AI, AI 기반 핵심기술 보호, AI 기반 내부자 위험 분석 및 탐지를 중심으로 연구하고 있습니다. 주요 관심 분야는 민감정보와 중요 기술정보를 안전하게 활용할 수 있는 AI, 다양한 기술정보로부터 기술의 중요도와 보호 필요성을 신뢰성 있게 판단하는 기술 인텔리전스, 그리고 조직 내 다양한 맥락과 행위로부터 내부자 위험을 분석 및 탐지하는 AI 기반 보안 기술입니다. I am an Assistant Professor in the Division of Intelligent Information Security at Seoul Women's University. My research centers on privacy-aware AI, AI for critical technology protection, and AI-driven insider risk analysis and detection. My research interests include AI for the secure use of sensitive and critical information, technology intelligence for reliably assessing the importance and protection needs of technologies, and AI-driven security approaches for analyzing and detecting insider risks from organizational contexts and behavioral patterns.

연구의 공통적인 관심은 AI와 데이터의 활용성, 보안성, 신뢰성 사이의 균형에 있습니다. 데이터와 AI의 활용이 확대될수록 민감정보와 중요 정보의 보호, 핵심기술에 대한 신뢰할 수 있는 판단, 조직 내부의 잠재적 위험에 대한 대응이 함께 요구됩니다. 이러한 상충 관계를 구체적인 연구문제로 정의하고, AI가 복잡한 정보와 맥락을 이해하여 신뢰할 수 있는 분석과 판단을 제공하는 방법론으로 발전시키는 것을 목표로 합니다. A common thread across my research is balancing the utility, security, and trustworthiness of AI and data. As the use of data and AI continues to expand, protecting sensitive and critical information, making reliable assessments of critical technologies, and addressing potential risks within organizations must be considered together. I formulate these competing requirements as concrete research problems and develop methods that enable AI to understand complex information and context while providing reliable analysis and judgments.

컴퓨터공학과 국어국문학을 전공한 후 컴퓨터공학 석사와 융합보안 박사 학위를 취득하였습니다. 이러한 학문적 배경을 바탕으로 모델의 성능뿐 아니라 AI가 정보를 어떻게 이해하고 판단하며, 그 결과를 어떻게 설명할 수 있는가에도 관심을 가지고 있습니다. 연구와 교육에서는 문제를 정확히 정의하고, 실험 결과를 논리적으로 해석하며, 자신의 연구 결과를 명확하게 설명할 수 있는 연구자를 양성하는 것을 중요하게 생각합니다. I studied both computer science and Korean language and literature as an undergraduate, and later earned an M.S. in computer science and a Ph.D. in convergence security. This interdisciplinary background has led me to care not only about model performance, but also about how AI understands information, arrives at a judgment, and explains its results. In both research and teaching, I value training researchers who can define problems precisely, interpret experimental results rigorously, and communicate their findings clearly.