[학회후기]

2025년 4월 25일부터 26일까지 이틀간, 서울 강남 노보텔에서 열린 제12회 국제 산업공학회(International Conference on Industrial Engineering and Applications, ICIEA)에 참가하였다. 이번 학회에서는 'Fine-tuning Segment Anything for Crop Images'라는 주제로 발표를 진행하게 되었으며, 국제 학회 발표였던 만큼 영어로 연구를 소개해야 했기에 평소보다 훨씬 많은 준비가 필요했다. 학회 전반을 돌아보며 느낀 점을 정리하고자 한다.

[발표후기]

본 학회에서는 'Fine-tuning Segment Anything for Crop Images'라는 주제로 발표를 진행하였다. Segment Anything Model(SAM)은 10억 개 이상의 마스크 데이터를 기반으로 사전학습된 비전 파운데이션 모델로, 다양한 도메인에서 세그멘테이션 성능을 보여주었지만, 농업 데이터에서는 특성상 성능이 제한적이었다. 이에 본 연구에서는 농업 도메인 데이터에 대해 full fine-tuning과 parameter-efficient fine-tuning(LoRA 기반)을 적용하여 성능 향상 가능성을 실험하였다.
발표는 크게 (1) 문제 정의와 데이터 특성 설명, (2) SAM의 한계 분석, (3) Fine-tuning 전략 소개, (4) 실험 결과 및 분석, (5) 시사점 순으로 구성하였다. 특히 발표 중 강조한 부분은, 정확한 세그멘테이션을 통해 중량 예측이나 병충해 탐지같은 후속 작업의 정확도를 높일 수 있어 농업 생산성 향상에 직접적으로 기여할 수 있다는 점이었다. 다수의 청중 앞에서 본 연구의 구조와 실험 결과를 영어로 발표하면서, 단순한 설명을 넘어 청중과의 소통을 목표로 준비에 많은 노력을 기울였다. 그 결과, 제안하는 방법론을 명확히 전달할 수 있었으며, 발표 이후 받은 다양한 질문을 통해 연구를 더 심화시킬 수 있는 방향에 대해 고민해보는 뜻깊은 시간이 되었다.

[청취후기]

1. Multi-Server Appointment Scheduling in Healthcare: Balancing Resource Efficiency and Patient Preferences

 본 연구는 병원 예약 시스템에서 환자의 'no show' 문제를 해결하기 위한 스케줄링 기법을 제안하였다. 기존 병원 시스템은 no show 발생을 고려하여 과잉 예약(overbooking)을 통해 리스크를 줄이려 하지만, 이로 인해 필요한 환자의 치료 순서가 지연되는 문제가 발생할 수 있었다. 연구자는 환자의 긴급성 여부에 따라 가중치를 조정하는 마코프 결정 과정(MDP, Markov Decision Process) 기반 스케줄링 기법을 개발하여, 응급 환자가 신속히 치료받을 수 있도록 우선순위를 설정하고 리스크를 최소화하는 방법을 제시하였다. 대만 의료 시스템을 사례로 설명하며, 환자가 접수 시 스스로 상태를 체크하는 절차를 통해 긴급성을 구별하는 방식을 도입한 점이 흥미로웠다. 의료 도메인에 대한 전문적인 지식은 부족했지만, 현실 문제를 해결하기 위한 실용적 접근이라는 점이 매우 인상 깊었으며, 다른 나라의 의료문화도 함께 엿볼 수 있는 소중한 청취 경험이었다.

2. Improving calibration for safe semi-supervised learning under label distribution mismatch

 이번 발표에서는 Semi-supervised learning 상황에서 Labeled 데이터셋과 Unlabeled 데이터셋 간 클래스 분포 불일치(Label Distribution Mismatch) 문제가 발생할 수 있음을 설명하고, 이를 해결하고자 하는 Safe Semi-supervised Learning(SSL) 연구 흐름을 소개하였다. 발표자는 이러한 문제를 다루기 위해 모델 Calibration을 개선하는 방법을 적용하여, pseudo-label 품질을 향상시키고 Safe SSL의 성능을 극대화하는 방법론을 제안하였다.

 발표를 들으면서 특히 인상 깊었던 부분은, 제한된 10분 발표 시간 동안 연구 동기, 제안 방법, 실험 결과를 매우 직관적이고 간결하게 전달했다는 점이었다. Calibration이라는 생소할 수 있는 개념을 쉽게 설명하려는 노력이 돋보였고, 복잡한 내용을 명확한 흐름으로 풀어내 청중 입장에서 이해하기 쉬웠다. 이 발표를 통해, Safe SSL 분야에서 Calibration 개선이 어떤 의미를 가지는지, 그리고 실제로 학습 안정성 향상에 어떻게 기여할 수 있는지를 구체적으로 이해할 수 있었다. 앞으로 준지도 학습 분야에서 모델의 신뢰성과 성능을 동시에 고려하는 방향이 더욱 중요해질 것이라는 점을 느낄 수 있었던 발표였다.