이번에 서울에서 열린 ICIEA 2025(International Conference on Industrial Engineering and Applications)에 참석하였다. 

[발표 후기]
이번 학회에서 "Integrating Graph and Linear Model for Inter-and Intra-Variable Anomaly Detection in Electric Vehicle Battery Management Systems"를 주제로 발표를 진행했다. 최근 전기차(EV) 시장의 급속한 성장과 환경 규제 강화로 인해 EV 배터리 관리 시스템(BMS)의 안전성이 더욱 중요해지고 있다. 특히, 드물게 발생하지만 치명적인 위험을 초래하는 전기차 고장을 예방하기 위해 충전 중 실시간 이상탐지가 필수적이다. 이러한 필요성에 따라 나는 BMS에서 수집된 멀티채널 센서 데이터를 분석하여 이상을 탐지하는 AI 기반의 접근법을 제안하였다. 기존 Transformer 기반 모델들이 자연어 처리 분야에서 뛰어난 성과를 보였지만, BMS 데이터와 같은 멀티채널 센서 데이터에는 구조적인 한계를 가진다는 점을 명확히 설명했다.

실제 실험 결과에서도 기존 Transformer 기반 모델들의 성능이 산업 현장에서 요구하는 기준에 미치지 못하는 것을 확인하였다. 이러한 한계를 극복하기 위해 본 연구에서는 변수 간 상관관계를 명확히 학습할 수 있는 그래프 구조(Graph Attention)를 도입하고, 시간적 특성을 계산적으로 효율적으로 모델링할 수 있는 선형 시간 모델(Linear Temporal Modeling)을 결합한 새로운 접근법을 제안하였다. 또한 노이즈와 데이터 변동성에 강건한 성능을 확보하기 위해 출력 레이어에 정규화된 다층 퍼셉트론(Normalized MLP)을 활용하였다.  제안된 모델의 성능을 실제 BMS 데이터를 통해 검증한 결과, 기존의 대표적인 Transformer 기반 모델들(Transformer, Anomaly Transformer, TranAD) 및 기존 그래프 기반 모델들(GDN, GTA)보다 월등히 높은 성능을 달성하였다. 또한, 계산 복잡도 및 추론 속도 측면에서도 기존 방식들보다 우수하여 실시간 이상 탐지에 적합하다는 점을 실험적으로 증명하였다.

연구를 준비하는 과정에서 내가 특히 깨달은 점은, 내 연구에 익숙하지 않은 청중들에게 연구를 명료하고 직관적으로 전달하는 일이 연구 자체를 수행하는 만큼이나 중요하고 도전적인 과제라는 것이다. 앞으로 연구자로 성장하기 위해서는 이런 커뮤니케이션 능력을 지속적으로 발전시켜야겠다는 생각을 다시 한번 갖게 된 소중한 발표였다.

[청취 후기]
이번 학회에서 특히 인상 깊었던 점은 키노트 연사들의 발표였다. 오랜 경력을 가진 교수님들이 최근 AI의 발전이 산업공학에 미치는 영향을 구체적이고 실제적인 사례를 통해 설명해주셨다. 특히 Prof. Jianjun Shi의 "Advancements of Modeling and Analysis of Multistage Manufacturing Processes" 강연과 Prof. Kwang-Jae Kim의 "From Manufacturing to Valufacturing in Korea" 강연은 앞으로의 연구 방향성을 설정하는 데 큰 인사이트가 되었다. 특히, AI 기반 연구가 단순한 기술적 발전을 넘어 사회적, 경제적 가치 창출로 이어져야 한다는 메시지는 개인적으로 큰 자극이 되었다.

또한, 이번 ICIEA 2025에서 배진수 연구원이 발표한 "Improving calibration for safe semi-supervised learning under label distribution mismatch" 라는 연구를 흥미롭게 청취했다. 발표자는 준지도학습(Semi-supervised learning, SSL) 상황에서 발생할 수 있는 레이블이 있는 데이터(Labeled data)와 레이블이 없는 데이터(Unlabeled data) 간의 클래스 분포 불일치(Label Distribution Mismatch) 문제에 대해 설명하며 발표를 시작했다. 특히 그는 최근 활발히 연구되고 있는 Safe SSL 기법을 소개하고, 이 방법론이 데이터 분포 불일치 상황에서 발생하는 잘못된 pseudo-label의 문제를 해결하기 위한 접근법임을 명료하게 전달했다. 발표자는 추가적으로 기존 Safe SSL 기법의 효과를 극대화하기 위해, 모델의 예측 확률(confidence)을 신뢰할 수 있는 수준으로 보정(calibration)하는 방식을 제안하였다. 이를 통해 pseudo-label의 정확도와 신뢰성을 높이고, 전체적인 모델의 성능을 개선했다는 점에서 매우 설득력 있는 연구라고 생각되었다. 발표자가 제한된 10분이라는 짧은 시간 내에 연구의 배경과 동기, 제안한 방법론, 그리고 주요 실험 결과를 청중이 쉽게 이해할 수 있도록 직관적이고 명확하게 전달하려고 노력한 점이 특히 돋보였다. 발표 중간에 Calibration과 같이 다소 생소한 개념도 쉬운 용어와 구체적인 사례를 들어 설명함으로써, 청중들이 빠르게 이해하고 공감할 수 있게끔 발표 내용을 구성하였다. 발표 후 Q&A 시간에는 좌장이 사용한 데이터셋 간 차이점에 대한 질문을 하였는데, 발표자가 간결하고 명료하게 답변하여 전체 연구의 핵심이 잘 전달되었다고 느껴졌다. 전반적으로 발표는 복잡할 수 있는 연구 주제를 쉽게 전달했다는 점에서 좋게 느껴졌으며, 나 역시 발표자의 명료하고 차분한 설명 방식을 본받아야겠다는 생각을 했다.