[학회 후기]

6/1일~2일 제주도에서 열린 2023년 대한산업공학회·한국경영과학회 춘계공동학술대회에 참가하였다. 2022년에 인천대에서 열린 대한산업공학회 이후 두 번째 참석하는 학회였다. 제주도를 학회 명목으로 가는 것도 처음이고 공동학회이기에 큰 규모를 기대하고 참석하였다. 다양한 산업공학 및 경영과학 분야의 최신 연구 동향을 알 수 있는 학회였으며, 다양한 주제에 대한 발표를 통해 넓은 시야를 얻을 수 있었다. 발표 관련해서는 발표장과 숙소가 매우 가깝고 건물이 연결되어 있어서 당일에 차분한 마음으로 준비를 할 수 있었다. 특히 호텔 로비가 잘되어 있어서 발표 한 시간 전 미리 가서 준비할 수 있었던 것이 흡족했다. 연습 한대로 발표를 마친 뒤 착석하였는데, 옆에 교수님으로 추정되시는 분이 “발표하느라 수고했어요.”라고 덕담을 주셔서 뿌듯하고 기분이 좋았다. 학회 기간 중에 비도 오고 흐린 날씨도 있었지만 돌아가는 날엔 날씨도 밝고 같이 갔던 DMQA 연구원들과 좋은 추억도 쌓인 것 같아서 좋은 추억이 된 학회였다.

[발표후기]

이번 학회에서 발표한 주제는 “스펙트로그램 데이터를 이용한 준지도 학습 회귀 예측”이다. 회귀 예측은 차량 실내 소음 예측, 나이 추정 등 현실 세계의 다양한 문제를 해결하기 위해 중요한 문제이다. 그러나 레이블이 부족한 상황에서도 좋은 성능을 보이는 준지도 학습 방법론에서 분류 예측 대비 회귀 예측은 크게 연구되지 않았다. 기존 분류 예측 준지도 학습 방법론은 수도 레이블링을 생성하기 위해 클래스 임계치를 통해 매끄러운 예측을 할 수 있지만, 회귀 예측은 연속적인 실수 값으로 이루어지기 때문에 이를 활용하기 어렵다. 이에 따라 본 연구에서는 라벨링 되지 않은 센서 데이터로부터 변환된 스펙트로그램에 약한 증강과 강한 증강을 수행하고, 약한 증강을 수도 레이블로 지정하여 두 증강 예측 결과 차이를 줄이는 일관성 정규화와 임베딩 벡터 간 불변성을 강화하고 정보 중복성 줄이는 정보 최대화를 통한 새로운 회귀 예측 준지도 학습 방법론을 제안한다. 이 방법은 스펙트로그램을 이용한 차량 실내 소음 예측 실험에서 지도 학습과 기존 회귀 예측을 위한 준지도 학습 방법론에 비해 우수한 성능을 보였다. 더 나아가, 이 연구 결과는 앞으로 더 발전된 준지도 학습 방법론 개발에 큰 기여를 할 것으로 예상된다.  

질문 1) 전처리 방법 중 소개 된 단시간 푸리에 변환에 대해 설명 부탁 드립니다.

답변 1) 단시간 푸리에 변환이란 짧은 시간을 기준으로 기존 시간에 따른 신호 값을 시간과 주파수 별 신호 값 데이터로 변환 시켜주는 방법입니다.

질문 2) 준지도 학습 데이터 개수에 대해 설명 바랍니다.

답변 2) 레이블 데이터가 적은 상황에서도 좋은 성능을 내는지 확인하기 위해 총 5가지(2%, 7&, 28%, 52%, 100%)의 레이블 상황을 지정하였으며, 데이터 개수는 현업에서 설정한 실험 횟수를 기준으로 설정되었습니다.

작년 대한산공학회에서 동일 데이터 셋을 통해 지도 학습을 적용한 방법론 대해 발표하였는데, 일 년 후 발전시켜 새로운 준지도 학습 방법론을 만든 것에 스스로 만족했던 발표였다. 

[청취후기]

기계 학습 기반 7축 로봇 팔 전력 예측 모델(정상엽, 전현우 - 경희대학교 산업경영공학과)

로봇 팔은 자동화 생산 공정에서 핵심적인 역할을 수행하며, 산업 분야에서 광범위하게 활용됩니다. 이에 따라 로봇 팔 전력 예측 연구의 필요성이 제기되었다. 기존 연구들은 로봇 팔의 전력 소비량 추정에 한계가 있었으며, 로봇 팔의 복잡한 구조와 다양한 이동 방향이 전력의 요인으로 분석되어야 한다. 비선형 관계를 가지는 로봇 팔의 전력은 기존의 통계적인 회귀 분석으로 예측하기 어려우며, 이를 위해 머신러닝의 회귀 모델을 활용할 수 있다. 결론적으로 랜덤포레스트 모델을 통해 가장 좋은 성능을 도출하였으며, 모델 결과 해석을 위해 추가 연구가 필요한 상황이다. 로봇 팔 전력을 예측한다는 것이 흥미로운 주제였으며, 머신러닝 모델을 통해 좋은 성능을 보이는 것을 확인했는데, 딥러닝 모델을 사용한다면 어떠한 결과를 보일지 추가 연구에 대해 기대가 되는 발표였다.