[학회후기]
6월 1 ~ 2일에 대학원 진학 이후 두 번째 학회인 2023 대한산업공학회·한국경영과학회 춘계공동학술대회에 참가하였다. 항공편을 통해 제주도에서 학회에 참여하는 것이 굉장히 새로웠다. 두 학회가 공동으로 진행하는 이유 때문인지, 학회장에는 청취자 및 발표자가 이전 추계공동학술대회때보다 훨씬 많다고 느껴졌다. 그래도 저번에 공동학술대회 발표의 경험 때문인지, 제주도라는 새로운 환경 때문인지 이전 발표보다는 덜 긴장되는 느낌이었다. 물론, 내가 발표하는 세션에 들어갔을 때는 생각했던 것보다 많은 청취자가 참석해서 떨렸던 것은 사실이지만, 내 발표 이전의 다른 발표자들의 연구를 청취하면서 다양한 연구를 접하다보니 자연스럽게 긴장도 풀리는 기분이었다. 

[발표후기]
 이번 학회에서는 "전기자동차 소음 예측을 위한 스펙트로그램 오토인코더 기반 자기지도학습"의 내용으로 발표하였다. 기존 추계공동학술대회 당시에는 주파수 대역별 소음 예측에 집중해서 단일 사전학습 구조로 자기지도학습 아키텍처를 구성했다. 하지만, 생각보다 데이터 수집 과정에서 전문가의 손에 의해 직접 계측되는 차량 가속도 및 차량 소음 데이터의 특징 때문에 굉장히 많은 소음에 노출되는 문제점을 해결하지 못했다. 따라서 기존 연구에서 발전시켜서, 다중 사전학습 구조로 주파수 대역별 소음 예측과 개입 가능한 노이즈에 강건한 모델을 가능하게 하도록 변경하였다. 실제로 이전 주파수 대역별 학습을 강건하게 하는 SpecAugment 마스킹 방식만을 활용하는 단일 사전학습의 자기지도학습 구조보다, 노이즈를 제거하는 denoising 사전학습 구조를 더한 다중 사전학습의 자기지도학습 구조가 더 높은 소음 수준 예측 성능을 보였음을 실험적으로 증명할 수 있었다.

질문1) 왜 일반적인 multivariate time-series data가 아닌, spectrogram으로 변환하는 과정을 거쳤는지 궁금하다.
답변1) 연구에서 사용되는 raw data(multivariate time-series)는 음압(Pa)으로, 절대적인 값이 아닌 변화량에 대한 값을 나타낸다. 하지만 내 연구는 주파수 도메인으로 데이터를 변환하여 주파수 대역별 소음 예측을 진행해야 했기에, STFT 변환을 통해 주파수 도메인의 특징 데이터인 spectrogram으로 변환하였다.
 
질문2) STFT 변환 당시 하이퍼파라미터로 정하는 time length 분할 간격을 어떻게 정했는지 궁금하다.
답변2) 같이 공동 연구로 참여한 NVH팀 연구원의 도메인 지식과 함께, 특별히 정답이 정해져있는 부분이 아니기 때문에 실험을 통해 적정 값을 찾는 수밖에 없었다.

항상 발표를 하고 나면 내 발표가 만족스럽지 못한 것은 어쩔 수 없는 것 같다. 하지만 이제 두 번째 발표이기도 하고, 이번 발표를 통해서도 발표 능력, 질문 대처 등 발표 부분에 있어서 많이 배울 수 있었기 때문에 다음 발표는 이전보다 더 잘할 수 있지 않을까하는 생각을 한다. 

[청취후기]

1. Heterogeneous Model Fusion for Enhanced Sensor-Based Human Activity Recognition(YongKyung Oh, Sungil Kim - UNIST)

일반적으로 ML과 DL의 경우, Feature extraction을 직접 해야하는지에 대한 여부로도 나눌 수 있다. ML의 경우, 다양한 통계값으로 feature를 산정하곤 하지만, DL은 input data만 투입하게 되면 모델이 알아서 feature를 추출한다. 내가 청취한 본 연구는 ML의 hand-crafted feature와 DL의 model-based feature를 fusion하는 heterogeneous model을 제안하는 연구였다. 다양한 프로젝트에 참여하면서, 현재 각광받고 있는 DL을 많이 사용하는 것은 사실이지만, 때로는 ML이 더 좋은 경우도 존재한다. 그럴 때마다 이러한 ML과 DL의 두 feature를 fusion하여 사용하면 어떨까하는 생각을 해보았다.

2. Contrastive learning for time series anomaly detection using decomposition methods (채희웅, 김도균, 조석현, 정은채, 박종헌 - 서울대학교 산업공학과)

최근 관심있게 보고있는 대조 학습을 활용한 연구 사례였다. 특정 시계열 데이터에 additive, multiplicative, STL 등 널리 알려진 decomposition 기법을 적용하고, 이를 대조 학습을 활용하여 anomaly detection을 수행하는 연구였다. 작년 국가과제 참여 당시, reference를 조사하던 중 접했었던 TS2Vec 아키텍처를 활용하는 것을 확인할 수 있었다. 단순히 논문을 읽고, 개념을 이해하는 정도에서 본 청취를 통해 어떻게 anomaly detection task에 변형하여 활용될 수 있었는지 알 수 있었다.