[학회 후기]

2025년 여름, 한국데이터마이닝학회 하계학술대회가 평창에서 개최되었다. 서울의 더운 공기를 뒤로하고 도착한 평창은 선선한 바람이 불어와 학회장 분위기를 한층 여유롭고 쾌적하게 만들어 주었다. 이런 날씨 덕분에 학회에 집중할 수 있었고, 발표자와 청중 모두 활발하게 교류하는 모습이 인상적이었다.

이번 학회는 나에게 특히 뜻깊었다. 처음으로 좌장을 맡게 되었기 때문이다. 발표자들의 연구를 소개하고 세션을 진행해야 한다는 책임감 때문에 학회에 가는 길 내내 긴장과 설렘이 교차했다. 실제로 마이크를 잡는 순간에는 조금 떨렸지만, 발표자분들의 차분한 진행과 청중들의 적극적인 호응 덕분에 점차 마음을 가다듬을 수 있었다. 좌장으로서 세션을 이끌며 단순히 듣는 입장이 아니라 학회를 함께 만들어간다는 경험을 할 수 있었던 것이 무척 의미 있게 다가왔다.

또한 구두 발표와 포스터 세션에서 다양한 최신 연구들을 접할 수 있었는데, 특히 시계열 이상탐지, 생성형 AI, 인과추론 등 여러 주제가 서로 연결되며 발전해 나가는 흐름을 느낄 수 있었다. 내 발표뿐만 아니라 다른 연구자들과 자유롭게 토론하며 아이디어를 교환하는 시간이 많았다는 점도 좋았다.

무엇보다 이번 학회는 연구자로서뿐 아니라 학회 구성원으로서의 또 다른 역할을 경험하게 해준 자리였다. 선선한 평창의 공기 속에서 새로운 도전을 마주하고, 동료 연구자들과 함께 성장할 수 있었던 시간이었다.


[발표 후기]

발표 주제: Prototype Alignment: A Semi-Supervised Framework for Instance Segmentation of Crops

이번 학회에서 발표한 연구는 작물 이미지를 대상으로 한 인스턴스 분할(instance segmentation) 기법에 관한 것이었다. 농업 분야에서는 개체별 작물의 생육 상태, 수량, 병충해 여부를 정밀하게 모니터링하는 기술이 중요하지만, 잎의 복잡한 구조와 겹침 때문에 라벨링 과정이 어렵고 비용이 많이 든다는 한계가 있다. 이러한 문제의식을 바탕으로, 나는 foundation model인 FastSAM을 농업 이미지에 특화되도록 finetuning하고, 준지도 학습(semi-supervised learning) 방식을 적용하여 레이블 부족 문제를 완화하는 방법을 제안하였다.

제안한 방법론의 핵심은 크게 두 가지였다.

  • FastSAM 파인튜닝을 통해 원래 모델이 과도하게 분할하던 잎 영역을 실제 개체와 유사하게 안정적으로 인식하도록 개선하였다.

  • 프로토타입 정렬 기반 준지도 학습(Prototype Alignment) 기법을 도입하여 소량의 레이블과 다량의 비라벨 데이터를 함께 활용하였다. 동일한 비라벨 이미지에 서로 다른 증강을 적용했을 때, 두 결과가 일관된 표현을 갖도록 유도함으로써 모델이 더 안정적이고 일반화된 표현을 학습할 수 있도록 했다

발표를 진행하며 왜 이 모델을 선택하게 되었는지, 그리고 증강 기법이 성능에 미치는 영향 등 다양한 질문을 받았다.

이러한 질의응답은 연구의 보완점과 확장 가능성을 구체적으로 고민해볼 수 있는 계기가 되었다. 이번 발표는 단순히 실험 결과를 공유하는 자리를 넘어, 연구의 방향성을 점검하고 새로운 아이디어를 얻을 수 있었던 뜻깊은 경험이었다.


[청취 후기]

1. 멀티 에이전트 기반 대형 언어모델을 활용한 해석 가능한 시계열 이상탐지 (포스터 발표)

이번 포스터 발표는 시계열 이상탐지를 멀티모달 방식으로 풀어낸 점이 특히 인상 깊었다. 단순히 수치형 데이터만 다루는 것이 아니라, 시계열 패턴을 자연어로 서술한 설명과 시계열 데이터를 이미지 형태로 변환한 입력을 동시에 LLM에 제공한다는 점이 흥미로웠다. 이를 기반으로 LLM은 보통 시계열 분석에서 활용되는 seasonal, trend 등 요소별 분석을 수행하는 에이전트 역할을 따로 두어 데이터를 다각도로 해석하였다. 마지막에는 각 분석 결과를 종합해 이상치 여부와 그 의미를 설명하는 의견을 생성하는 구조를 갖추고 있었는데, 기존 시계열 탐지 연구에서는 보기 힘든 새로운 접근이라 신선하게 다가왔다. 역시 요즘 멀티 에이전트가 뜨거운 주제라는 점을 다시 한번 실감할 수 있었고, 나 또한 관심을 갖고 공부해 나가는 분야라 더욱 의미 있게 다가왔다. 이번 학회에서 접한 다양한 관련 포스터들을 통해 시각을 넓히고 새로운 아이디어를 얻을 수 있었던 값진 경험이었다.


2. Generative AI for Causal Reasoning (세션3)

이 발표에서는 생성형 AI와 인과추론의 접목이 핵심 주제였다. 단순히 데이터를 학습해 패턴을 찾는 머신러닝을 넘어, “왜 그런 결과가 나타나는가?”라는 인과적 질문을 다루는 것이 중요하다는 점을 강조했다. 특히, 머신러닝이 주어진 문제 해결에 초점을 맞춘다면, 머신 리즈닝(Machine Reasoning)은 지식과 데이터를 활용해 새로운 질문에 답하는 과정으로 확장된다는 설명이 흥미로웠다. AI가 단순 예측에서 벗어나 과학적 발견과 정책 결정 지원으로 이어질 수 있다는 전망을 들으며, 앞으로 데이터 분석 연구에서도 인과적 해석과 생성형 모델의 융합이 핵심이 될 것이라 느꼈다.