[학회 후기]

2025년 4월 25일부터 27일까지 서울 강남 노보텔에서 개최된 제12회 International Conference on Industrial Engineering and Applications (ICIEA 2025)에 참가하였다. 이번 학회는 다양한 산업공학 및 인공지능 관련 연구자들이 한자리에 모여 최신 연구 결과를 공유하고, 서로의 아이디어를 교류하는 국제적인 행사였다. 처음으로 해외 학회에 직접 참석하여 영어로 발표하는 경험을 하게 되어 설렘과 긴장감이 동시에 느껴졌고, 발표를 준비하는 과정에서도 그만큼 많은 노력을 기울였다. 영어로 연구 내용을 효과적으로 전달하는 것뿐만 아니라, 다양한 국적의 연구자들과 학문적 교류를 시도해야 했기 때문에, 이번 학회는 단순한 발표를 넘어 개인적으로도 매우 의미 있는 도전이었다. 짧지 않은 준비 기간 동안 발표 자료를 다듬고 영어 발표 연습을 거듭한 끝에, 현장에서 준비한 내용을 무사히 전달할 수 있었고, 다른 참가자들의 발표를 통해 새로운 시각을 얻을 수 있었던 뜻깊은 시간이었다.

[발표 후기]

“Optimization-Free Test-Time Adaptation with Weighted Prototype Refinement for Human Activity Recognition”이라는 주제로, 인간 활동 인식(HAR) 모델의 도메인 쉬프트 문제를 해결하면서도, 경량화된 실시간 적응이 가능하도록 최적화 과정을 제거한 테스트 타임 적응 방법을 제안하는 연구를 발표하였다. HAR Task에서는 사용자 간 신체 특성, 움직임 패턴, 센서 착용 방식 차이로 인한 Domain Shift 문제와, 웨어러블 디바이스 환경 특성상 요구되는 실시간성 및 경량화 문제를 메인으로 해결해야 한다. 이를 위해서는, 소스 데이터 없이 추론 시점에 적응할 수 있는 Test-Time Adaptation(TTA) 접근이 적합하다. 그러나 기존 TTA 방법들은 최적화 과정을 포함해 계산 비용이 크다는 한계가 있었다. 이에 대응하여, 발표에서는 엔트로피와 예측 일관성을 결합해 신뢰도 높은 프로토타입을 생성하고, 최적화 없이 간단한 거리 기반 예측만으로 적응을 수행하는 경량 TTA 프레임워크를 제안하였다.

발표를 준비할 때 가장 신경 쓴 부분은 복잡한 내용을 최대한 명확하고 논리적으로 풀어내는 것이었다. 특히 Domain Shift, 실시간성, 경량화라는 키워드를 청중이 자연스럽게 이해할 수 있도록 실생활 예시를 활용하고, 발표 흐름을 명확히 이어가는 데 중점을 두었다.발표를 준비하는 과정에서는, 영어로 긴 발표를 자연스럽게 끊김 없이 이어가는 것이 가장 큰 어려움이었다. 특히 억양과 연결 표현을 자연스럽게 구사하기 위해 많은 연습이 필요했다. 여러 차례 대본을 다듬고, 직접 소리 내어 연습하면서 발표의 흐름을 몸에 익히려고 노력하였다. 결국 발표 당일에는 준비한 내용을 안정적이고 자연스럽게 전달할 수 있었다전체적으로 이번 발표는 내 연구를 국제적으로 소개할 수 있었던 소중한 기회였고, 영어로 연구를 발표해본 경험이 앞으로 더 성장할 수 있는 큰 발판이 되었다고 생각한다.

질문 1: 왜 테스트 시점에 최적화를 사용하지 않았나요?

답변 1: 테스트 시점에 최적화를 하면 계산량과 시간이 많이 들기 때문에, 스마트폰이나 웨어러블 같은 디바이스에서는 문제가 됩니다. HAR에서는 모델이 실시간으로 예측하고 빠르게 반응해야 하기 때문에, 느리면 쓸모가 없어집니다. 예를 들어 낙상 감지 시스템이 넘어지고 나서야 반응하면 아무 소용이 없는 것처럼 말입니다. 그래서 최적화를 생략하고 가볍고 빠른 방법을 만들었고, 그럼에도 불구하고 실험 결과에서 성능은 충분히 잘 유지되었습니다.

질문 2: 테스트 데이터가 한 번에 한 개씩 들어오는 상황에서도 이 방법이 작동하나요?

답변 2: 본 방법론은 적응할 때 배치 통계가 필요하기 때문에 작은 배치를 가정하고 있습니다. 하지만 배치 통계를 시간에 따라 부드럽게 조정하거나 누적하는 방식으로 확장하면, 한 샘플씩 들어오는 상황도 처리할 수 있을 것이라 생각하고 있고, 향후 연구에 이를 반영해보겠습니다.

[청취 후기]

해당 발표는 불규칙하게 샘플링된 다변량 시계열 데이터(ISMTS)에서 이상 탐지를 수행하는 연구였다. 기존 시계열 이상 탐지 방법들은 주로 규칙적으로 샘플링된 데이터를 가정하는데, 현실 데이터에서는 관측 간격이 불규칙하거나 긴 시간 간격이 존재하는 경우가 많다. 발표자는 이런 문제를 지적하며, ISMTS 상황을 고려하는 것이 중요하다고 강조했다. SFAformer는 Multi-time Attention(MTA)으로 데이터를 규칙적인 형태로 변환하고, Variable-temporal Transformer(VTT)를 통해 시간적·변수 간 종속성을 함께 포착하는 구조로 설계되었다. 이 과정을 통해 불규칙 샘플링 문제를 효과적으로 해결하고 이상 탐지 성능을 높였다. 실험 결과에서는 다양한 실제 데이터셋을 활용해 기존 방법들과 비교했을 때 SFAformer가 더 좋은 성능을 보였다. 발표를 들으면서 불규칙한 샘플링 자체를 모델링하는 접근이 앞으로 점점 더 중요해질 것 같다는 생각이 들었다. 전반적으로 발표는 문제 정의부터 방법론, 실험 결과까지 논리적으로 자연스럽게 구성되어 있었다. 또한 발표자가 복잡한 내용을 쉽고 명확하게 풀어 설명해 이해하기 편했다. 전체적으로 완성도가 높은 발표였다고 생각했다.