[학회후기]

 6월 1~2일에 진행된 2023년 대한산업공학회·한국경영과학회 춘계공동학술대회에 참가하였다. 제주도에서 학회가 개최됨에 따라서 학회 참여를 위하여 비행기를 타게 되니 무언가 색다른 느낌을 받을 수 있었고, 접근성이 작년 인천대학교에서 열린 추계학술대회 보다 좋치 않음에도 불구하고 기업체를 비롯하여 수없이 많은 사람들이 지식 교류를 위하여 참가하였다는 사실이 인상 깊었다. 과거 해외 출장을 다니며 호텔에서 컨퍼런스가 개최될 때 저런 곳에 참가하는 사람은 어떤 사람들일까 라는 생각을 한 적 있었는데 이제는 내가 그 중에 한명 이라는 사실이 재밌었다. 마지막으로 내 연구 내용을 발표하는 것도 물론 중요하지만, 다른 사람이 고심하며 진행한 연구를 보는 것도 의미 있는 시간이었고, 이러한 학회를 통하여 다른 연구자와 네트워킹하는 것도 굉장히 중요하다는 것을 새삼 느낄 수 있었다.

[발표후기]

 "심층 강화학습을 활용한 이미지 분류 문제 해결 및 응용"이라는 주제로 발표하였다. 강화학습을 활용한다면 이미지 분류 문제의 성능을 높일 수 있으며 이를 위하여 주어진 데이터셋을 활용하여 강화학습 방법론 적용이 가능한 시뮬레이터를 새롭게 설계하였다. 이러한 시뮬레이터는 이미지 증강기법을 기반으로 설계되었으며 모델이 스스로 학습이 필요한 부분을 더 많이 학습할 수 있으므로 기존의 전통적인 CNN 보다 향상된 성능을 보여준다. 더 나아가 단순 이미지 분류 뿐만 아니라 이미지 별 최적 Augmentation을 수행할 수 있는 방법론으로 확장하고자 한다. 결과적으로 본 연구는 이미지 분류 문제에서 강화학습의 가능성을 입증함으로써 다양한 활용 가능성을 보여주는 연구이다.

질문1) 왜 이미지 분류 문제에 강화학습이 필요한가, 다른 SOTA 모델들이 있을텐데 강화학습을 사용한 이유가 궁금하다.

답변1) 기존의 CNN기반 네트워크로 SOTA 모델이 있으며 현재 강화학습 보다 높은 성능을 보이지만, 강화학습의 특성을 활용하면 해결할 수 있는 문제가 다양하게 있다. 예를 들어 Reward를 조절함으로써 간단하게 Class 불균형 문제를 해결하는 이전 연구 사례를 들 수 있기에 앞으로 더 다양한 Task에서의 발전 가능성이 있어 이미지 분류 문제에 강화학습을 적용하였다.

질문2) 실험 결과 중 과적합이라고 판단한 이유가 궁금하다.

답변2) 학습 데이터셋의 경우 99.9%에 달하는 성능을 보여주지만 검증/테스트 데이터셋에서는 보다 낮은 성능이 나오기 때문에 과적합 되었다고 판단하였다.

질문3) 강화학습의 성능이 향상되는 것이 증강된 데이터를 보다 많이 학습하기 때문이라고 볼 수 없는가.

답변3) 정해진 갯수로 데이터를 증강하고 학습이 진행되는 기존의 방법론과 차이점으로 강화학습은 학습이 필요하면 스스로 보다 많이 학습하게 되도록 설계하였으므로 증강의 기회가 더 많아지게 되어 성능 향상이 되었다고 판단할 수 있다. 정해진 갯수로 증강 하지 않고 모델이 데이터에 맞추어 증강의 기회를 조절하게 되는 것이 장점이다.

질문4) State, Action, Reward를 정의하였지만 State Transition을 정의하기에는 무리가 있어보인다. 그렇다면 이미지 분류를 기반으로 해서 게임이나 최적화 부분에 적용한다면 더 좋치 않을까.

답변4) Action에 따른 결과가 있는 것이 강화학습의 핵심인데 주어진 데이터로는 그 이상의 정보는 만들 수 없다는 한계가 존재한다. State의 Transition이 있는 문제에서 더 효과적일 것이라는 의견에 동의한다.

 작년 추계학술대회에 이어 두번째 학회 발표이기 때문에 한결 부담이 적었고, 지난 학회 발표 때 스스로 만족하지 못했던 부분들이 있었는데 이번 발표 때는 보완하기 위해서 노력했다. 하지만 결과적으로 만족할만한 발표를 했던 것 같지는 않다. 언제쯤 스스로 만족할 수 있는 발표를 하게 될지는 모르겠다. 더욱 노력해야겠다.

[청취후기]

1. 완전 운전자동화 차량(자율주행 레벨5)에서의 사용자 컨텐츠 환경 변화에 따른 몰입 환경을 위한 연구 디자인 (문재승, 김효창, 지용구 - 연세대학교)

2. 자율주행 차량에서 운전자의 효과적인 차량 인터페이스 조작을 위한 멀티모달시스템 연구 방안 (김효창, 김유림, 차민철 - 연세대학교)

 앞의 2가지 연구 모두 같은 발표자분이 발표하였고, 자율주행 시스템 하에서 차량을 제어하기 위한 효과적인 인터페이스, 컨텐츠 환경 변화에 따른 몰입 환경을 위한 연구 방안을 설명하였다. 본 발표로부터 느꼈던 가장 큰 점은 연구를 진행함에 있어서 연구의 목적과 방법, 또 이를 위한 실험 환경을 체계적으로 구성하였다는 것이었다. 실제 연구를 진행할 때 가장 중요한 점이 이러한 부분인데 나는 내 개인 연구를 진행하면서 이런 식으로 연구를 정의하고 실험을 디자인하지 않았던 것 같다. 단순히 모델의 성능만을 높이기 위하여 노력했기에 연구와 방향에 대해 한번 더 생각해볼 수 있는 기회였다. 추가로 자율주행에 많은 관심을 가지고 있기 때문에 이러한 연구 내용을 볼 수 있어서 흥미로웠고 실제 차량 주행 환경을 구현한 시뮬레이션이 굉장히 신기하게 느껴졌다. 앞으로 굉장히 기대가 되고 주목 받는 분야인 만큼 후속 연구 결과를 빨리 볼 수 있었으면 좋겠다.

3. 고무 물성 예측을 위한 클러스터링 기반 프레임워크 개발 (권재은, 박한별, 박민규, 정효경, 배혜림 - 부산대학교)

 본 연구는 재료들이 다양한 비율로, 혹은 첨가되지 않았을 때 어떤 물성을 가지는 고무가 생산되는지 예측하는 프레임워크를 개발하였다. 100여가지가 넘는 재료들이 있으며 불완전한 데이터셋이기에 이를 극복하기 위하여 클러스터링을 통하여 단순화 하고 이를 통해 물성을 예측하였다. 주어진 데이터를 활용하여 바로 예측 모델을 만드는 것이 아니라 여러 군집을 찾고 해당 군집에 맞는 최적화된 예측모델을 개발 함으로써 보다 높은 정확도를 가지는 모델을 개발할 수 있다고 하였다. 일반적으로 산업 현장에서 딥러닝을 활용한다고 하면 모든 것을 해결 가능한 완벽한 하나의 모델을 생각하는 경우가 많았는데 이러한 연구에서 볼 수 있듯이 데이터를 군집화 하고 각각에 대한 모델을 개발하여 사용하는 것이 더 활용적임을 확인할 수 있었고, 새로운 데이터로 예측할 때 가장 가까운 클러스터로 가정하고 예측을 하게 되는데 전혀 물성이 다른 클러스터(새로운)에 해당하는 데이터라면 어떻게 처리하는 것이 옳은지에 대한 궁금점이 남았다.