[학회 후기]2025년 대한산업공학회 추계 학술대회가 11월 6일(목)부터 11월 7일(금)까지 이틀 동안 개최되었다. 약 2~3년만에 대한산업공학회에서 구두 발표 및 청취할 기회가 주어져 약간 기대도 되었으며, 이번 개최 장소인 KAIST에 약 15년만에 방문하는 거라 감회가 새로웠다. 평소 참가하였던 데이터마이닝 학회나 다른 인공지능 학회와 달리 산업공학회에서는 인공지능 뿐만 아니라 물류, 공정 스케줄링, 수리 최적화등 산업공학의 다양한 분야의 최신 트렌드를 알 수 있었다. 학회에 참석하는 것의 가장 큰 장점 중 하나는 다른 연구자들의 다양한 연구 주제 및 트렌드를 접할 수 있으며, 대면 질의 응답과 교류를 통해  더욱 폭넓은 지식을 쌓을 수 있다는 점이다. 이번 학회도 굉장히 유익했던 경험인 것 같다.[발표 후기] 주제 : 효율적인 선호 기반 강화학습을 위한 우도 기반 쿼리 샘플링과 동적 가치 함수 초기화 11월 7일 오전 9시 첫 세션에서 발표를 하게 되었는데, 연구실 선배이신 강현구 교수님께서 좌장을 맡으셔서 약간 더 긴장이 되었던 것 같다. 다른 세션보다 발표자 인원수가 한명 적어서 발표 시간이 꽤 넉넉할 줄 알고 초반에 연구 배경을 천천히 설명하려 했다. 아무래도 강화학습, 그 중에서도 선호 기반 강화학습이다 보니 청취자들의 이해를 돕기 위해 앞장에 많은 시간을 할애해서 내 방법론에 대한 설명을 디테일하게는 하지 못했던 것 같다. 다만 좌장이신 강현구 교수님께서 발표 내용을 잘 캐치하시고 디테일한 부분에 대한 질문을 던져주셔서 부족했던 설명을 보완할 수 있었다. 질문 1 : 신경망을 초기화할 때 정책 함수는 초기화하지 않고, 보상 함수와 가치 함수만 초기화하는 것으로 이해했는데 맞나요? 답변 1: 네 맞습니다. 단기 보상을 예측하는 보상 함수와 장기 보상을 예측하는 가치 함수의 경우 과대 추정 오류 때문에 초기화를 진행합니다. 다른 강화학습 논문에서 정책 함수도 초기화하는 경우도 있지만, 가치 함수의 초기화가 primacy bias를 해결하는 주된 해결책이라고 설명하고 있으며, 제안 방법론의 첫번째 컴포넌트인 정책 함수 우도 기반 쿼리 샘플링을 위해 정책 함수의 가중치는 보존해야 할 필요가 있습니다. 질문 2 : 만약 상태가 이미지인 경우, 상태의 인코더는 CNN등 MLP보다는 약간 더 파라미터가 많고 학습하는데 오래 걸리는 모델일텐데, 이 경우는 초기화를 어떻게 진행하나요? 답변 2 : 유사한 연구에서도 이러한 사례를 언급한 적이 있는데, 이 경우에는 CNN의 인코더는 그대로 두고 마지막 MLP Layer만 부분적으로 초기화하는 방식을 주로 쓰며, 저 또한 동일한 방식으로 진행하였습니다. [참석 후기] 클래스 불균형 하 노이즈 레이블 데이터셋에서의 준비도 인식 기반 샘플 선택 방법 기존의 노이즈 레이블 데이터의 필터링 방법론의 경우, 클래스 불균형이 큰 데이터셋에서 majority class로 예측하는 경향이 심하다는 문제가 존재한다. 이러한 문제를 해결하기 위해 저자들은 imbalanced dataset에서는 클래스 별로 잘 응집되는 feature space를 활용하고자 하였다. 초기에는 warm-up epoch만큼 모델을 학습한 후, 래스 별로 prototype feature를 구성하고, 클래스 별 prototype과 가까운 feature를 갖는 데이터를 clean 데이터로 판별하여 데이터에 병합한 후 학습하는 과정을 반복하는 방법론을 제안하였다. feature가 충분히 학습된 클래스에 대해서만 clean 샘플을 식별하기 위해 max confidence와 GMM-based sample selection을 활용하였다. 문제 상황이 직관적이고 현실적이었고, 이를 해결하기 위해 제안된 방법론도 잘 설명되었던 발표였다. IMAE: Interactive Multi-Agent Evolution Framework for Path Planning 경로 탐색을 위해 LLM과 Evolution of Heuristics를 활융하는 방법론을 제안하였다. 해당 분야를 완벽에게 이해하지는 못하였지만 VLM과 Evolutionary Search를 활융해서 보상 함수를 설계하는 방법론인 Eureka와 결이 비슷하다는 느김을 받았다. 다만 IMAE는 Critic, Generation, Analysis의 각각의 역할을 수행하는 LLM Agent들을 활용하기 때문에 Multi-Agent방법론이다. 다만 Knowledge Graph를 사용하여 Knowledge를 추출하는 부분은 해당 분야에 대해 잘 알지 못해 구체적으로 어떻게 흘러가는지는 파악하지 못하였다.

[학회 후기]   KAIST에서 열린 2025년 대한산업공학회 추계 학술대회에 참여했다. 간만에 서울을 벗어나 낯선 곳에서 열린 학회기에 기차를 탈 때부터 설렜던 기억이 난다. 더욱이 DMQA의 이름을 걸고 참여하는 마지막 학회기에, 각오 또한 남달랐다. 발표 순서가 첫 번째였기에, 기차에 내리자마자 발표 자료를 정리하고, 흐름을 생각 속에서 정리했다. 덕분에 조금은 떨렸지만, 첫 날에 내 연구 내용을 많은 연구원들에게 전할 수 있었다. 익일에는 보다 여유 있게 연구원들의 발표를 듣고, 산업 전반에서 활용되는 AI에 대해 생각해볼 수 있는 시간을 가졌다. 이번 학회 참가를 통해 연구에도, 향후 진로에도 의미 있는 결과물을 얻을 수 있었다.   [발표 후기]   주제: Deep Learning for Anomaly Detection in Irregular Multivariate Time Series   이번 발표에서는 불규칙 시계열에서 최초의 비지도 학습 기반 이상치 탐지 프레임워크인 SFAformer를 소개했다. 자동차 배터리 이상 감지, 공정 기간의 업데이트 등 공정 데이터에서 불규칙한 시계열이 발생하는데도 불구하고, 이에 특화된 이상치 탐지 프레임워크는 없다는 데에 주목했다. 결측치가 없는 regualar time series를 상정하여 설계된 딥러닝 구조의 한계를 보완하기 위해, irregularly sampled time series를 모델 설계부터 상정한 프레임워크를 제안했다.   SFAformer는 이러한 문제를 해결하기 위해, multi-time attention (MTA)를 도입하여 보간, 탈락 등을 하지 않고 모델 단에서 불규칙 시계열을 처리한다. MTA는 sparse한 불규칙 시계열을 고정된 길이의 벡터로 변환함으로써, 딥러닝 구조에 불규칙 시계열을 통합한다. 이후 변수와 시간 축을 각각 인코딩하는 dual encoder 구조를 채택함으로써, 시간 종속성과 변수 관계를 보다 잘 반영하고자 한다. 특히 시간 종속성을 반영하는 부분에서 패치 구조를 적용함으로써, 시계열의 지역적 맥락을 포착한다. 두 가지 경로로 representation을 산출하고, 이를 cross attention 모듈과 MTA를 통해 입력인 불규칙 시계열을 복원한다. 이러한 방식으로 복원 오차를 학습시켜, 비지도 학습으로 이상치 탐지를 수행하고자 한다.   SFAformer는 불규칙 시계열을 가정한 실험에서 최신 시계열 이상치 비교 방법론에 비해 월등한 성능을 보여주며, 불규칙 시계열 상황에서의 효용성을 입증했다. 여기에 더하여, 일반적인 시계열에서도 비교 방법론과 비교하여 경쟁력 있는 성능을 기록하여, 방법론의 확장성 및 일반화 가능성을 입증했다.   질문 1. 불규칙 시계열에서 이상치 탐지가 아닌 다른 task를 처리할 수 있는 모델들이 많은 것으로 아는데, 제안 방법론이 이러한 방법론의 성능을 이상치 탐지에서 이길 수 있을 것이라 생각하는지?   말씀주신 대로 forecasting, interpolation 등에서 불규칙 시계열을 처리할 수 있는 프레임워크들이 제안되고 있습니다. 하지만 시계열 복원의 측면에서 접근한 모델은 없었기에, SFAformer가 제안하는 방법이 이상치 탐지에서는 더 효과를 발휘할 수 있을 것이라 생각합니다.   질문 2. 일반 이상치 탐지에서도 좋은 성과를 얻었는데, 무엇이 원인이라고 생각하는지?   말씀주신 대로 일반적인 시계열에서도 SOTA 모델과 비견되는 성능을 기록해, 모델이 이 task에서도 경쟁력이 있는 것으로 판단하고 있습니다. 개인적인 생각으로는 시간 종속성과 변수 관계를 모두 고려할 수 있는 dual encoder 구조가 이상치 탐지에 효과적이었던 것으로 해석됩니다. 특히 local한 이상치가 많은 데이터셋에서 좋은 성능을 거둔 것으로 봤을 때, temporal encoder 부분에서 작은 패치들로 분할하고, 이를 반영한 것이 좋은 성과로 나타나지 않았나 생각합니다. 향후 이런 부분을 참고해서 regular time series에서 이상 탐지 task를 수행할 프레임워크 개발을 목표로 연구 진행하려고 합니다.   [청취 후기]   주제: From Agentic AI to Physical AI: 제조 AI의 미래와 도전   서울대학교 강필성 교수님께서 제조 현장에서의 agentic AI와 미래 방향성에 대해서 연구 내용을 발표하셨다. 평소에 agentic AI에 대해서 관심이 많았고, 이것이 실제적으로 어떻게 활용될 수 있을 것인지에 대해 고민했기 때문에 관심 있게 들었던 것 같다. 특히 제조 현장에서 중요한 시계열 예측 및 시계열 이상치 탐지를 프롬프트 하나로 수행하는 것을 보고 AI 시스템의 진화가 빠르게 되고 있구나를 느꼈다. 발표 후 과제의 결과물인 agentic AI를 시연했는데, agentic AI에서 핵심이 되는 오케스트레이터 부분이 원활하게 작동하는 것을 보고, 어떻게 프레임워크를 구성했는지 궁금했다. 더불어 시계열을 연구하는 사람으로써, LLM이 시계열 도메인에 깊숙하게 침투하고 있구나라는 것을 느끼게 해주었다. 향후 연구 방향에서 단일 모달이 아닌 멀티 모달적 관점으로 문제를 해결하는 것이 더 효율적일 수 있음을 느끼게 해준 발표였다.     주제: 바이오 디바이스 초기 배표를 위한 도메인 특화 파운데이션 모델   초기 단계의 바이오신호 기반 모니터링 시스템이 겪는 가장 현실적인 문제를 해결하기 위한 새로운 접근법을 제시했다는 점에서 매우 인상 깊었다. 특히 공개 데이터와 실제 임상 데이터를 통합해 도메인 특화 foundation model을 구성하고, 이후 제한된 장비 데이터에 대해 전이학습을 수행하는 전략은 제조 및 의료 AI에서 공통적으로 마주치는 데이터 가용성 문제를 다루고 있다고 느꼈다. 기존 단일 장비 데이터만으로 학습된 단순 모델보다 훨씬 높은 성능을 기록했을 뿐만 아니라, 범용 foundation model을 동일 조건에서 파인튜닝했을 때보다도 강한 일반화 능력을 확보했다는 실험 결과는 매우 설득력이 있었다. 이러한 결과는 도메인 갭, 노이즈, 라벨 부족이라는 산업 현장의 핵심 병목에 대해 실용적인 해결책을 제시한다는 점에서 의미가 크다고 생각한다. 또한 다양한 청진기·수집 환경에서 얻은 이질적인 데이터셋을 체계적으로 정리하여 사운드 길이, 샘플링레이트, 수집 장비의 차이를 비교한 표를 통해, 실제 현장에서 얼마나 큰 데이터 불균형과 변동성이 존재하는지를 명확히 보여준 점도 인상적이었다. 특히 발표에서 강조된 “단순히 성능을 높이는 것을 넘어, 초기 필드 운영 환경에서 재현 가능하고 신뢰할 수 있는 모델을 구축해야 한다”는 메시지가 기억에 남았다. 실제로 장비별 변화나 환경적 노이즈가 존재하는 상황에서도 안정적인 결과를 낸 실험 결과는, 향후 biosignal AI가 나아가야 할 방향을 잘 보여준다고 느꼈다.

[학회 후기]산업공학회는 근 2년간의 석사생활뿐만 아니라 생애 최초의 참석이었다. 학회 등록을 위한 대기줄이 생각보다 길었고, 따라서 규모가 큰 학회라는 것을 알 수 있었다. 학회가 열린 카이스트 캠퍼스는 탁 트인 평지에 멋진 건물들이 듬성듬성 서 있고, 캠퍼스 한가운데 호수도 있어서 더욱 넓고 쾌적하게 느껴졌다. 구두 발표는 4월 ICIEA 이후 약 7개월만이고, 더군다나 석사논문경진대회라는 타이틀도 있어서 부담도 됐지만, 그만큼 기억에 남고 뜻깊은 학회였다.[발표후기]주제: 제철 공정의 용강 온도 예측을 위한 듀얼 어텐션 신경망 모델사람들이 제철 공정이라는 주제를 접했을 때 처음 드는 생각이 '고리타분하고 거친 구시대적 유물이다' 일 것이라는 생각이 들었다. 그래서 발표 준비를 할 때, 그 런 선입견을 깨고 재밌고 친근하게 다가설 수 있도록 노력했다. 연구에 쓴 알고리즘이나 방법론들을 짧은 시간 안에 이해시키기엔 어려울 것이라 생각했고, 따라서 친근하게 다가가서 어떤 문제를 해결하고자 했고, 문제를 풀기 위해 어떻게 접근했으며, 최종적으로 문제를 잘 해결했다는 전반적인 흐름을 전달하고자 했다.석사논문경진대회 자체도 처음이지만 발표 순서도 첫번째여서 다소 긴장되는 마음으로 발표에 임했다. 발표의 시작은 '여러분 철을 어떻게 만드는지 아시나요?' 로 시작했는데, 청중들이 관심을 보이는 것이 눈에 보여서 내심 다행이라는 마음으로 준비한 발표를 무사히 마무리했다. 중간중간 발표가 재밌게 다가갔는지 몇몇분들은 웃기도 하고 질문도 많이 해주셔서 감사한 마음도 들었다.질문 1. 이 온도 예측 모델을 현장에 바로 적용한다면 어떻게 쓸 수 있나요?현재 상태로는 온도만 예측해주기 때문에, 말 그대로 온도 예측기로 쓸 수 있는데, 예를 들어 어떤 쇳물의 목표 온도가 1650도일 때, 조업자가 여러가지 인자를 조정하면서 1650도가 나올 수 있도록 온도 예측기를 통해 최적의 인자를 찾는 데 쓸 수 있을 것 같습니다.질문 2. 실험 결과를 보면 R square 기준으로 0.5 가 나오는데 이게 실제로 현장에서 쓸 수 있는 성능인가요?기존에는 목표 온도 대비 최대 30도까지도 차이가 나고 있습니다. 그런데 이 모델을 적용해서 단 1도 라도 줄일 수 있으면, 연간 적지 않은 원가 절감을 할 수 있습니다. 따라서 R square 수치 자체보다는 현재 보다 개선이 된다는 것 자체만으로도 현장에서는 안 쓸 이유가 없습니다.질문3. 이 모델이 예측한 온도가 맞다 틀리다를 현장에 어떻게 납득시킬 수 있나요?앞서 말씀드린대로 조업자가 여러가지 인자를 조정하면 이 모델이 온도를 예측해줄텐데, 통상 어떤 A인자를 올렸을 때 온도가 높아지고 반대로 낮췄을 때는 온도가 내려가는데, 그런 것들이 온도 모델에서 잘 구현이 되면 충분히 납득을 할 것 같고, 실제로 온도 모델이 잘 반응하고 있습니다.질문4. y 값이 지금 쇳물의 온도인데, 그 온도는 어떻게 얻는 값이고, 매번 있는 값인가요?온도는 매 Charge가 끝나면 Probe라는 자재를 쇳물에 넣어서 측정하는 값입니다. 그래서 매번 존재하는 값입니다.질문4-1. 근데 그 값이 정확하다고 할 수 있나요?정확하다고 할 수 없지만 정확하다고 믿을 수밖에 없습니다. 왜냐하면 측정할 수 있는 방법이 그것밖에 없기 때문입니다. 사실 이 온도는 우리가 뜨거운 물에 손가락 넣어보고 아 뜨겁다 이런식으로 측정해볼 수가 없기 때문에 아까도 말씀드린 probe라는 자재로 측정하는데, 이 측정 원리가 열전대라고 하는 백금 금속이 쇳물에 들어가면 온도차 때문에 전류를 발생시키는데 그 전류를 계측기가 읽어서 추정하는 원리입니다. 당연히 진짜 온도가 1650도인지는 모르고 그정도 온도일 것이다라고 추정하는 것이고 당연히 오차가 있습니다. 하지만 저희는 그 온도를 믿어야 할 수밖에 없고, 그 온도에 대한 정확도는 자재를 공급하는 회사가 담당할 일입니다.[청취후기]주제 :  이상치 탐지 방법을 활용한 SMAC 황경에서의 다중 에이전트 버그 탐지이 연구는 여러 캐릭터가 동시에 등장하는 게임에서의 버그를 탐지하기 위한 연구이다. 요새 게임들이 워낙 복잡하기 때문에 사람이 일일이 플레이하면서 버그를 잡아내기란 시간과 비용이 너무 많이 들기 때문에 이런 태스크가 꼭 필요하다는 생각이 들었다. 다른 모든 현상들도 마찬가지이겠지만, 게임은 특히 구현된 환경 내에서 유저의 선택이 결과를 만들어내는, 인과율에 따른 결과가 비교적 직관적인 환경이다. 그래서 이 연구에서는 선택에 따른 결과를 얻기 위해 State, Action, Next state 라는 강화학습에서 사용하는 인자들로 하여금 입력변수를 생성한다는 것이 굉장히 신선하고 기발한 아이디어라고 생각했다. 이상 탐지 자체는 정상 데이터로만 학습시킨 후 Anomaly detection 하는 방식과 비슷하게 탐지해내는데, 이런 통상적인 프레임워크에 강화학습의 일부를 떼어내서 결합한다는 것이 굉장히 기억에 남았다.

[학회 후기]2025년 11월 6~7일 대전 KAIST에서 열린 2025 대한산업공학회 추계 학술대회에 참가했다. 대학원 입학 후 처음으로 참석한 학회에서 구두 발표까지 하게 되어 설렘과 긴장이 공존했지만, 그동안 연구실에서 발표한 경험 덕분에 자신감을 가지고 임할 수 있었다. 본가가 대전에 있어 기차를 타고 학회장으로 향하는 길은 익숙하면서도 연구자로서 새로운 발걸음을 내딛는 듯한 설렘이 느껴졌다. 학회에서는 다양한 산업공학 분야에서 인공지능을 활용한 연구들을 접할 수 있었다. 특히, 나의 발표에 대한 질의응답 시간과 여러 연구원들의 발표를 들으며 문제를 정의하고 해결하는 다양한 접근 방식을 배울 수 있었다. 이를 통해 연구에 대한 관점을 확장할 수 있었고 연구를 발전시키고자 하는 열정 또한 커졌다. [발표 후기]이번 학회에서는 시계열 예측을 위한 LLM 에이전트 기반 개인화 연합학습을 주제로 발표하였다. 기존 연합학습에서 클라이언별 시계열 데이터의 이질성을 해결하기 위해 LLM을 활용하고 있지만, 사람이 직접 데이터의 설명을 입력해야 하는 비효율성이 존재하며 단순 인코딩에 그쳐 프롬프트로 활용되지 못했다. 이에 본 연구에서는 연합학습 상황에서 클라이언트별 시계열에 특화된 프롬프트 특징을 가지는 방법론을 제안하였다. 클라이언트별 다변량 시계열을 주성분 분석과 시계열 분해로 핵심 요소를 추출해 프롬프트를 구성하고 LLM을 통해 예측에 활용 가능한 설명을 생성한다. 실험 결과 제안한 방법은 일부 데이터셋에서 소수 라운드의 연합학습 환경에서도 성능 향상을 보였다.질문1: LLM이 기존 시계열 예측 모델보다 성능이 좋은지?답변1: 실제로 LLM이 기존 시계열 예측 모델과 유사하거나 준수한 성능을 보여주고 있으며, 최근 LLM을 활용해 시계열 예측 foundation 모델 연구가 활발히 진행되고 있다.질문2: 현업의 공정 환경에서 발생하는 텍스트 데이터도 학습에 반영할 수 있는지?답변2: 현재 연구에서도 텍스트 형태의 인사이트를 입력하는 것처럼 현업 텍스트 데이터 역시 충분히 반영할 수 있다고 본다.질문3: STL 분해 결과에 대해 정량적 평가는 없는지?답변3: 지금까지는 정성적인 평가만 진행했으나, 향후 정량적 평가도 추가하면 더욱 객관적인 성능 검증이 가능할 것으로 생각한다.[청취 후기]1. IMAE: Interactive Multi-Agent Evolution Framework for Path Planning (이병화 석사과정/경희대학교)자율주행, 로봇 제어 등에 사용되는 경로 탐색 알고리즘의 휴리스틱 설계를 LLM을 활용해 자동화하는 'IMAE' 프레임워크를 제안했다. 이 프레임워크는 LLM을 기반으로 다중 에이전트가 서로 협력하여 휴리스틱을 생성, 평가, 개선한다. 특히 DB를 구축하여 우수한 성능의 휴리스틱과 개전 지식을 체계적으로 축적하고 활용한 점이 인상깊었다. 최근 주목받고 있는 분야인 Multi Agent를 활용하여 기존 최적화 방법론 대비 효율성을 높였으며, 향후 실제 로봇 제어 환경에서의 적용 가능성이 매우 기대된다.2. 자율 제조 구현을 위한 현장 작업자 친화적 혁신 AI 에이전트 개발 (강필성 교수/서울대학교)특별 세션에서 발표된 본 연구는 LLM을 활용해 5가지 핵심 모듈(플랫폼, 오케스트레이션, 모니터링, 예측, 자율제어)이 상호 협력하여 자율 제조를 실현할 수 있는 AI 에이전트에 대해 소개하였다. 특히 오케스트레이션이 다른 모듈에게 작업을 지시하고 의견을 통합하여 이를 보고서로 문서화 시키는 점이 인상 깊었으며, 실제 데모 프로그램을 직접 시연하여 청중들의 이해를 높이고 자율 제조의 실현 가능성을 생생하게 보여주었다.

[학회 후기]오랜만에 참석한 2025 대한산업공학회 추계학술대회는 여러모로 의미 있는 시간이었다. 내가 발표를 진행한 첫 세션부터 수준 높은 연구 발표들이 이어져, 학회 전체 일정에 높은 집중도를 유지할 수 있었다. 연구실 구성원들과 함께한 1박 2일의 학회 일정은 평소 연구실 생활에서는 쌓기 어려운 소중한 추억을 만드는 계기가 되었다. 특히 오랜만에 연구실로 복귀한 입장에서 후배들의 발표와 질의응답을 지켜보며, 그들이 이룬 괄목할 만한 성장을 확인할 수 있어 뿌듯했다.[발표 후기]발표 제목: 실세계 데이터셋에 강건한 딥러닝 모델 통합 학습 방법론오랜만의 학회 발표였고, 더욱이 첫 세션에서 진행하는 발표여서 적지 않게 긴장되었다. 다행히 준비한 내용을 무리 없이 전달할 수 있었다. 예상보다 많은 질문을 받았는데, 특히 현재 연구 중인 Noisy Label Learning 분야 자체에 대한 청중의 관심이 높았다. 세션 종료 후와 다음 날 학회 일정에서 여러 참석자들과 명함을 교환하며 연구에 대한 심도 있는 질문을 주고받았다. 발표 기회 덕분에 학회를 통해 다양한 연구자들과 네트워킹을 형성할 수 있는 소중한 기회를 얻을 수 있어 좋았다.[청취 후기]발표 제목: 유연한 증거기반 딥러닝을 통한 불확실성 정량화(Uncertainty Estimation by Flexible Evidential Deep Learning, NeurIPS 2025)발표자: 윤태성 박사과정, 김희영 교수 (KAIST 산업및시스템공학과)딥러닝 모델이 스마트 팩토리, 자율주행, 의료진단 등 고위험 산업 분야에 적용될 때, 가장 큰 문제는 모델이 잘못된 예측을 하면서도 높은 확신을 보이는 '과신(overconfidence)' 현상이다. 본 연구는 이러한 문제를 해결하기 위한 불확실성 정량화(UQ) 방법론을 제안했다.기존 베이지안 방법론은 여러 번의 forward pass가 필요해 계산 비용이 높고, 기존 Evidential Deep Learning(EDL)은 단일 forward pass로 효율적이지만 Dirichlet 분포 가정의 제약으로 복잡한 시나리오에서 성능이 저하되는 한계가 있었다. 발표자는 통계학의 Flexible Dirichlet 분포를 UQ 분야에 최초로 도입한 F-EDL을 제안했다. 이는 Dirichlet의 장점인 conjugacy와 tractable moments를 유지하면서도 다중모드 분포 표현이 가능하다는 점이 핵심이다.NeurIPS 2025 accept 논문답게 이론적 깊이와 실용적 기여가 균형 있게 담긴 우수한 연구였다. 통계학의 고전적 도구를 창의적으로 활용하여 효율성과 견고성을 동시에 달성했으며, 긴 호흡의 연구를 탄탄한 이론적 배경으로 완성해낸 점이 특히 인상적이었다.발표 제목: Causal Discovery in Multistage Process발표자: 정준섭 박사과정 (KAIST 산업및시스템공학과, Industrial Statistics Laboratory)반도체, 디스플레이 제조 등 현대 제조 공정은 대부분 여러 단계를 거치는 다단계 시스템이다. 각 단계의 출력이 다음 단계의 입력이 되는 계층적 구조로 인해 공정 변화의 근본 원인을 파악하기 매우 어렵다. 특히 외부 변동의 경우, 공정 자체를 개선해도 문제가 해결되지 않는다. 본 연구는 이러한 다단계 공정에서의 인과 발견 문제를 다루었다.기존 LINGAM 기반 방법론과 LAHME 같은 계층적 잠재 구조 식별 방법은 계층이 깊어지거나 잠재 변수가 많아질수록 성능이 급격히 저하되는 한계가 있었다. 발표자가 제시한 3단계 시뮬레이션 예제에서 LAHME가 실제 구조를 거의 복원하지 못한 결과는 기존 방법의 한계를 명확히 보여주었다.제안된 방법론의 핵심은 단계별(stage-wise) 인과 발견 프레임워크다. 첫 번째 단계에서는 잠재 교란 변수가 없으므로 DirectLINGAM을 사용하고, 두 번째 단계부터는 "이전 단계의 입력 변수 = 현재 단계의 hidden common cause"라는 통찰을 활용한다. 산업 AI를 단순한 응용 연구가 아닌 이론적 확장을 통해 접근한 시도가 인상적이었다.발표 제목: From Agentic AI to Physical AI: 제조 AI의 미래와 도전발표자: 강필성 교수 (서울대학교)제조업의 디지털 전환을 넘어 진정한 의미의 '자율 제조'를 구현하려는 연구였다. 특히 현장 작업자 친화적 설계와 도메인 특화 지식의 중요성을 강조한 점이 인상적이었다. 데모 프로그램의 완성도 높은 UI를 통해 국가 연구 프로젝트의 꼼꼼한 수행 과정이 잘 드러났다.발표 제목: 양자 컴퓨팅 튜토리얼발표자: 김창욱 교수 (연세대학교)김창욱 교수의 양자 컴퓨팅 입문 강의는 양자역학과 양자 컴퓨터의 핵심 개념을 초심자도 이해할 수 있도록 탁월하게 풀어낸 세션이었다. 큐비트, 얽힘, 초전도회로 등 기초 물리 개념부터 시작하여 현실적인 예시와 함께 체계적으로 설명해 주셨다. 특히 수십 년간 강의로 단련된 뛰어난 전달력 덕분에 피로한 오후 일정에도 불구하고 집중력을 유지할 수 있었다. 고급스러운 유머와 탁월한 강의력, 그리고 학문에 대한 열정이 깊은 존경심을 불러일으킨 시간이었다.

[학회 후기]지난 11월 6일, 2025년 대한산업공학회 추계학술대회에 참가하였다. 한국과학기술원(KAIST)에서 개최되었으며, 산업공학계에서 활발히 연구를 진행하고 있는 여러 대학교 및 연구실이 참석하였다. 석사 입학 후, 처음 참가해보는 국내 학회였기에 알 수 없는 기대감과 설레임이 느껴졌으며, 발표 세션에서 연구 내용을 소개하기 위해 열심히 준비했다. 인공지능을 활용하여 여러 산업에 적용하고 문제를 해결하는 여러 연구를 접함으로써, 추후 기회가 된다면 나의 연구도 현실 세계나 산업에 도움이 될 수 있으면 좋겠다는 생각으로 여러 발표와 질의 응답을 경청하였다. 11월 7일 발표 세션에서 약 15분 동안 현재 진행하고 있는 연구와 제안 방법론을 연구자들 앞에서 소개했다. 학교 밖에서  진행한 발표는 처음이라 긴장이 많이 되었지만, 나의 연구를 다른 사람에게 알릴 수 있어 정말 소중한 경험이었다.[발표 후기]주제 : 인간 피드백 노이즈를 해결하기 위한 강건한 선호 기반 강화 학습2025년 11월 7일, 대한산업공학회 2일차 오후 3시 세션에 "인간 피드백 노이즈를 해결하기 위한 강건한 선호 기반 강화 학습"이란 주제로 연구 발표를 수행했다. 발표를 진행한 강의실은 만석이었으며, 모든 연구자들이 경청하는 분위기였다. 먼저 연구 분야에 해당하는 강화학습에 대한 짧은 소개를 마치고, 강화학습의 난제인 보상 함수 설계 문제점을 제시하였다. 이를 해결하기 위해 선호도 기반 강화학습(Preference-based Reinforcement Learning)이 등장한 사실을 소개했으며, PbRL의 label data 부족 문제, noise preference label 문제 등을 제시하고 관련 방법론들과 제안 방법론을 제시하였다. 아직 좋은 성능을 보이지 못하는 제안 방법론이지만, 체계적인 추후 계획을 발표하고 2개의 질의에 응답하며 발표를 마무리했다.질의 응답의 내용은 다음과 같다.Q1 : 연속적인 행동을 취할 수 있는 실험 환경에서, 로봇이 걷거나 문을 여는 상황이 많이 존재할텐데, 모두 높은 보상을 받지 않나요? 그렇다면 최선의 경험 2개를 선호 비교할 때, 두 경험 모두 정답인가요 아니면 더 나은 한 개만 선호하는건가요?A1 :  같은 걷기, 문열기 등 로봇이 목표를 수행하는 모습을 보였다 하더라도, 평가자가 선호하는 경험들이 존재할 것 입니다. 한발로 걷기 vs 두발로 걷기 처럼 말이죠. 따라서 비교할 경험 모두 의도한 행동을 로봇이 취한다고 하더라도, 평가자는 주관적으로 선호를 평가할 수 있습니다.Q1 : 최대 보상 획득이 강화학습의 목적이라고 하셨는데, 그러면 noise가 있는 상황에서도 보상만 최대화할 수 있다면 상관없지 않나요?A1 : 아닙니다. PbRL은 사용자의 선호도 자체로 보상을 모델링하기 때문에, 만약 잘못된 선호 정보를 제공 받는다면, 보상 함수는 평가자의 의도를 제대로 반영할 수 없을 것이고, 학습에 부정적인 영향을 미칩니다. [청취 후기]특히 인상 깊었던 발표는 '푸드 서비스 메뉴 플래닝'과 '대학 행정 지식 관리'에 대한 발표였다. 두 연구 모두 강화학습(RL)이나 검색증강생성(RAG)을 활용해, 과거에는 전적으로 사람의 경험에 의존했던 복잡한 업무(식단 조합, 규정 해석)를 자동화하려는 시도였으며, RAG 챗봇으로 교직원의 단순 응대 시간이 45%나 줄었다는 결과는 매우 획기적인 성과였던 것으로 기억한다. 흥미로운 점은 AI가 모든 것을 대체하는 것이 아니라, AI가 최적의 '기본 안'을 만들면 전문가(영양사)가 최종 검토하고 감성적인 부분을 보완하는 '인간-AI 협업' 모델을 제시한 기여점이다.한편, '항만 대기질 예측'이나 '이미지 기반 생존분석' 발표에서는 AI가 더 정교한 예측의 영역으로 나아가는 방향성을 확인했다. 선박 1척이 디젤차 5천 대의 오염물질을 내뿜는 심각한 항만 문제 해결을 위해, 선박(동적)과 관측소(정적) 데이터를 구분해 예측하는 GNN 모델은 매우 강건하고 참신했다. 또한 데이터가 부족한 의료 영상에서 '검열된 데이터'까지 고려해 생존율을 예측하는 새로운 믹스업 방식은 기술적 깊이가 느껴졌다.이번 학회를 통해 AI가 현업의 반복 작업을 줄여주는 것을 넘어, 더 정확한 예측과 복잡한 의사결정을 돕는 강력한 조력자로 자리매김하고 있음을 느꼈고,  앞으로 AI와 산업 전문가의 시너지가 어떻게 더 발전할지 기대된다.

[학회 후기]2025년 대한산업공학회 추계학술대회는 나에게 있어 첫 학회 참여였다. 새로운 연구자들과 한 공간에 모여 다양한 연구를 듣고 교류할 수 있다는 사실이 설렘을 불러일으켰고, 동시에 첫째 날 발표가 예정되어 있었다는 점에서 오는 긴장감도 적지 않았다. 발표 준비를 반복하며 익숙해졌다고 생각했지만, 실제 학회장에서 청중 앞에 서게 될 순간을 떠올리니 자연스럽게 마음이 한 번 더 가다듬어지는 느낌이었다.이번 학회에서 특히 크게 느낀 점은, 내가 속한 연구 분야가 아니더라도 열린 태도로 듣고 질문하려는 자세가 중요하다는 것이었다. 처음에는 전혀 연관이 없어 보이는 주제의 발표들도, 발표자가 문제를 정의하고 해결해 나가는 과정 속에서 연구 전반에 적용 가능한 사고 방식과 관점을 발견할 수 있었다. 연구는 단일 분야에 갇혀 있는 것이 아니라, 다양한 시각과 맥락이 교차할 때 더 깊어지고 확장될 수 있다는 것을 체감할 수 있었던 의미 있는 경험이었다.[발표 후기] 이번 학회에서 도메인 불일치 상황에서의 오픈셋 준지도 학습이라는 주제로 발표를 진행하였다. 최근 준지도 학습(SSL)은 적은 양의 레이블된 데이터와 많은 비라벨 데이터를 활용하여 모델 성능을 향상시키는 데 유용하지만, 실제 환경에서는 학습 시 고려되지 않은 새로운 클래스(OOD)와 도메인 차이가 존재한다는 한계가 있다. 그 결과, 기존 SSL 모델은 새로운 데이터가 들어올 때 분류 경계가 흔들리거나, 비라벨 데이터 처리 과정에서 성능 저하가 발생하는 문제가 나타난다. 본 연구는 이러한 실제 적용 상의 문제를 해결하기 위해, 도메인 간 분포 차이를 완화하고, 도메인에 관계없이 ‘분포 밖’의 데이터를 선별할 수 있도록 데이터 증강 전략을 활용한 오픈셋 준지도 학습 방법론을 제안하였다. CIFAR-10 및 CIFAR-10-C 벤치마크 실험을 통해 분류 성능과 오픈셋 분류 성능 모두 개선 가능성을 확인하였으며, 이는 산업 환경에서 모델이 더 안정적으로 동작할 수 있는 가능성을 보여준다.발표를 진행하며 개인적으로 가장 크게 느낀 점은 발표 속도 조절의 중요성이었다. 발표 중 긴장이 높아지면서 말이 빨라지는 순간들이 있었고, 그로 인해 일부 핵심 설명이 청중에게 충분히 전달되지 못했을 것이라는 아쉬움이 남았다. 청중의 이해 흐름에 맞춰 호흡을 조절하는 발표의 필요성을 실감했으며 앞으로는 발표 연습 과정에서 속도와 여백을 더욱 의도적으로 관리하여, 연구 내용을 ‘설명하는 발표’가 아니라 ‘전달되는 발표’가 될 수 있도록 개선해 나가야겠다는 생각을 하게 된 시간이었다.질문 1: 도메인 불일치 상황에서의 오픈셋 준지도 학습이 실제 생활에서는 어떤 사례에 적용될 수 있을까요?답변 1: 현실에서는 데이터가 항상 동일한 환경에서 수집되지 않기 때문에, 새로운 환경에서 들어오는 데이터가 기존과 다른지 판단하는 능력이 필요합니다. 예를 들어 제조 공정, 의료 영상처럼 환경 변화나 장비 차이로 분포가 달라지는 상황에서 본 방법은 변화된 환경에서도 모델이 안정적으로 동작할 수 있도록 도와줄 수 있습니다. 질문 2: 도메인 불일치 상황에서 제안한 방법론이 도메인 간 분포 차이를 어떻게 정렬(align)했는지 궁금합니다.답변 2: 도메인 정렬은 CORAL loss를 활용하여 수행했습니다. 소스 도메인과 타겟 도메인의 특징 공분산을 일치시키도록 학습하여, 두 도메인 간 특징 분포 차이를 줄이고 보다 안정적인 표현 공간을 구성할 수 있도록 했습니다.[청취 후기]1. 디퓨전 기반 회귀를 위한 원샷 준지도 연합학습 -심세진, 김성범(고려대학교 산업경영공학과)해당 발표는 지금까지 연합학습연구가 주로 분류 문제에 집중되어 있었다는 한계를 짚고, 이를 회귀문제로 확장한 최초의 준지도 연합학습 프레임워크를 제안한 연구였다. 발표자는 Diffusion 기반의 데이터 생성 모델을 활용하여, 서버 측에서 보유한 소량의 레이블된 데이터로부터 학습된 특징만을 각 클라이언트에 전달하고, 각 클라이언트가 이를 바탕으로 합성 학습 데이터를 생성하여 로컬 학습을 수행하는 방식을 제안하였다. 이 과정에서 개별 클라이언트 데이터가 외부로 노출되지 않기 때문에 프라이버시가 완전히 보장된다는 점이 핵심적인 기여로 보였다. 또한 실험 결과에서도 UTKFace 데이터셋을 통해 성능이 기존 방법 대비 우수하게 나타났다는 점은 단순한 개념 제시에 그치는 것이 아니라, 실제 구현 가능성과 성능 개선 측면에서도 의미가 있다는 것을 확인시켜주었다.개인적으로 가장 인상 깊었던 부분은, 연합학습의 본질적 전제인 ‘데이터는 로컬에 남기되, 학습은 함께 한다’는 내용을 모델 구조 설계 단계에서부터 강하게 반영하고 있었다는 점이다. 더불어 “회귀 문제에서도 연합학습이 실질적인 가치가 있을까?”라는 질문에 대해 논리적인 문제 정의와 실험적 증명을 통해 응답한 연구적 방향성 또한 의미 있었다고 느꼈다.2. Normalizing Flow 기반 분포 추청을 통한 오픈셋 상황의 미지 클래스 분리 가능성 탐구 -이상재, 백준걸(고려대학교 산업경영공학과)본 발표는 Normalizing Flow모델을 활용하여 오픈셋 상황에서 미지 클래스를 분리하는 가능성을 탐구한 연구였다. 먼저 ArcFace 기반으로 클래스 간 분리를 강화한 특징 공간을 구성한 뒤, 해당 특징을 Normalizing Flow를 통해 정규분포 형태로 모델링하여 OOD 여부를 판단하는 점이 명확했다. Office-Home과 VisDA-2017 실험 결과에서 Known과 Unknown이 특징 공간 상에서 뚜렷하게 분리되는 시각적 차이를 제시한 부분이 특히 설득력 있었다. Normalizing Flow가 분포 자체를 직접 학습하여 미지 클래스를 판단한다는 접근은 오픈셋 문제의 본질과 잘 맞는 방향이라고 느꼈다. 향후 가중치 기반 적대적 학습과 OS* / UNK 지표를 활용한 성능 검증 계획 역시 현실 적용 가능성을 높일 수 있을 것으로 보였다.

[학회 후기]11월 6일(목)부터 7일(금)까지 대전 KAIST에서 열린 2025 대한산업공학회 추계학술대회에 참석했다. 새내기 시절 제주도에서 개최된 대한산업공학회 춘계학술대회 이후로 다시 찾은 대한산업공학회 학술대회라 감회가 새로웠다. 그리고 말로만 듣던 KAIST 캠퍼스를 직접 방문하니 신기했고, 캠퍼스 한가운데 자리한 큰 호수가 인상적이었다. 가을이 한창이라 낙엽이 물들어 있었고, 발표장으로 가는 길에 보이는 풍경이 참 아름다웠다. 일본 IEA/AIE 2025 학회 이후 약 4개월만에 대중들 앞에서 발표를 갖는 시간을 가질 수 있어서 뜻깊었다.[발표 후기]주제: 엔트로피 기반 커리큘럼 및 대조 학습을 활용한 준지도 도메인 적응 방법론내용: 본 연구는 라벨이 일부만 존재하는 소스 도메인과 라벨이 없는 타깃 도메인 간의 분포 차이를 줄이기 위해, pseudo-label에만 의존하는 기존 방식보다 샘플의 학습 난이도와 불확실성을 중심에 두는 SSDA 프레임워크를 제안한 것이다. 예측 불확실도가 낮은 샘플부터 학습을 시작하는 entropy-guided curriculum learning, 도메인 간과 도메인 내 구조를 동시에 정렬하는 contrastive learning, 그리고 샘플 신뢰도에 따라 학습 기여도를 조절하는 entropy-weighted contrastive loss를 결합해 noisy하거나 어려운 샘플을 단순히 배제하지 않고 학습 준비도에 따라 점진적으로 활용하도록 설계했다. 이번 학회 발표를 하면서, 내가 고민해온 "어떤 샘플을 언제 학습에, 어떻게 포함시킬 것인가?"라는 관점이 SSDA에서 얼마나 중요한지 다시 확인할 수 있었고, 여러 연구자들과의 논의를 통해 프레임워크의 확장 가능성도 체감할 수 있었다.질문1: 커리큘럼 러닝의 효과를 입증하기 위한 실험 세팅이 잘 이해가 가지 않는다.답변1: 일반적으로 학습된 모델을 Test할 때, 무작위로 섞은 Test 데이터들에 대해서 성능을 평가한다. 하지만 본 모델에서 사용된 커리큘럼 러닝의 가설이 "학습(예측)이 어려운 데이터에 효과적인 학습 방식"이므로, Test 데이터셋을 엔트로피 기준 하에 sorting하고, 그 중 엔트로피가 높은 30%(학습이 어려운 상위 30%)의 데이터에 대해서만 성능을 기재한 실험이다. 질문2: 그렇다면, 그 실험에서 사용된 알고리즘이 각각 판단하는 학습이 어려운 샘플은 각자 다르고, 대신 테스트 샘플 수만 맞춰줬다고 할 수 있는가?답변2: 정확하다. 물론 테스트하는 샘플이 다르긴 하지만, 어찌 되었든 모델이 "학습(예측)을 어려워" 한다는 점에서 공통점이 있고, 샘플 수도 맞춰주었기에 큰 문제는 아니라고 생각했다. 질문3: 제안한 방법은 커리큘럼 러닝과 대조 학습의 조합인데, 기존에 SSDA 방식은 어떻게 진행되는가? 답변3: 기존에는, 커리큘럼 러닝, 대조 학습, 일관성 정규화, 데이터 증강 등 다양한 방식을 각자의 방식으로 제안한 모델이 있다. 다만, 제안하는 모델은 커리큘럼 러닝과 대조 학습을 통합했을 때 시너지 효과가 날 수 있도록 제안한 방법론으로 의의가 있다고 생각한다.[청취 후기]1.  클래스 불균형 하 노이즈 레이블 데이터셋에서의 준비도 인식 기반 샘플 선택 방법 (최치현/동국대학교)본 연구는 노이즈 레이블과 클래스 불균형을 동시에 다루는 연구라서, 나도 샘플 셀렉션 연구를 하고 있는 입장에서 더 몰입해서 들었다. 특히 클래스별로 학습 준비도를 먼저 판단하고, 준비된 클래스에만 샘플 선택을 적용한다는 아이디어가 기존 small-loss 방식의 한계를 정확히 짚어줘서 공감이 많이 갔다. 나도 실험하다 보면 학습이 덜 된 클래스에서 이상한 샘플이 클린으로 선택되는 문제가 자주 생겨서, 이런 접근이 실제로 효과적일 것 같다는 생각이 들었다. 위험도가 낮은 클래스의 클린 샘플만 골라 negative learning을 적용한 부분도 모델 혼란을 줄이는 데 꽤 현실적인 방법처럼 느껴졌다. CIFAR와 실제 노이즈 데이터셋에서 성능이 꾸준히 잘 나온 걸 보니 구조 자체가 꽤 안정적이었다. 그리고, 준지도 학습과 일반 지도 학습 모두에서의 adaptive하게 사용할 수 있는 장점과, 그에 대한 실험을 진행하여 성능을 기재한 부분도 인상적이었다.2.  클래스 불균형 반지도 학습을 위한 클래스별 평균 학습 손실 기반 로짓 조정 (이혁/KAIST)본 연구는 Learnable Logit Adjustment 와 관련된 내용으로, 클래스 불균형과 라벨·언라벨 분포 불일치 문제를 다루는 방식이 인상적이었다고 느꼈다. 기존 LA가 가진 한계를 짚고, 이를 학습 가능한 형태로 확장한 접근이 실제 성능 향상으로 이어졌다는 점이 설득력 있게 전달됐다. 특히 unlabeled set의 분포를 직접 추정하지 않고도 class-averaged loss를 통해 균형을 맞추는 아이디어가 참신하게 다가왔다. 발표자는 feature space 내 소수 클래스의 밀집도를 높이기 위한 EFCC 개념도 함께 설명했는데, t-SNE 시각화를 통해 효과가 잘 드러나 이해가 쉬웠다. 실험 결과 역시 다양한 세팅에서 일관된 우수성을 보여 신뢰가 갔다. 내 연구 역시 샘플 선택과 pseudo-label 품질 개선이 핵심이라, 발표 내용을 들으며 공감되는 부분이 많았다. 전체적으로 논리 흐름이 명확하고 실제적 문제를 잘 짚은 발표였다고 느꼈다.

[학회 후기]2025년 대한산업공학회 추계 학술대회는 카이스트에서 2일간 개최되었으며, 오랜만에 방문한 캠퍼스는 평지 위로 깔끔하게 배치된 건물들과 맑은 날씨 덕분에 더욱 쾌적하게 느껴졌다. 호수 주변으로 거위들이 천천히 지나가는 모습이 인상적이었고, 전체적으로 포근하고 차분한 분위기를 느낄 수 있었다. 개인적으로는 졸업을 앞두고 있어 연구실에서 참여하는 마지막 학회가 될 것 같아 아쉬운 마음이 남기도 했다. 그러나 이번 학회를 통해 다양한 산업공학 분야의 연구 방향과 최신 흐름을 접할 수 있었으며, 여러 연구자들의 발표를 들으며 많은 인사이트를 얻을 수 있었다. 짧지만 의미 있었던 경험이었고, 앞으로의 연구를 생각하는 데에도 긍정적인 자극이 되는 시간이였다. [발표후기]주제: 거대 언어 모델과 인간 피드백 기반 강화학습을 활용한 게임 레벨 생성이번 발표에서는 게임 레벨 생성 자동화 기술의 한계를 해결하기 위한 새로운 접근법인 MarioPref 프레임워크를 소개했다. 게임 개발 과정에서 레벨 설계는 많은 시간과 인력이 요구되는 핵심 작업이지만, 이를 자동화하기 위한 기존 연구들은 충분한 양질의 데이터가 필요하다는 문제점이 있다. 실제 데이터에는 오류가 많거나 규칙을 충족하지 못해 정상적인 플레이가 불가능한 경우가 존재하기 때문에, 자동 생성 모델을 그대로 적용하기 어렵다는 한계가 있었다.MarioPref는 이러한 문제를 해결하기 위해, 품질이 낮은 슈퍼 마리오 브라더스 레벨 데이터와 조건 프롬프트를 활용해 조건을 만족하는 플레이 가능한 레벨을 생성하는 것을 목표로 한다. 레벨에서 결함이 있는 부분을 마스킹하고 복원하는 과정을 통해 먼저 구조를 보완하고, 이후 인간 피드백 기반 강화학습(RLHF)을 적용하여 플레이 가능성과 조건 충족률을 더욱 향상시켰다. 실험 결과는 긍정적이었다. 비록 데이터 품질이 낮았음에도, 입력된 조건을 잘 반영하면서 실제로 플레이 가능한 레벨을 충분히 생성할 수 있음을 확인했다. 이를 통해 데이터가 부족한 상황에서도 인간 피드백을 활용하면 콘텐츠 품질을 효과적으로 끌어올릴 수 있다는 점을 실증적으로 보여주었다.질문 1. 인간 피드백은 시간이 많이 들 것 같은데, 실제로는 어느 정도 소요되나요? 실제 실험에서 100개의 피드백을 생성하는 데 약 2시간 정도가 필요했습니다. 이를 기준으로 계산하면 1,000개를 수집하는 데 약 20시간가량 소요될 것으로 예상됩니다. 다만 이번 연구에서는 100개 수준의 피드백만으로도 성능 향상을 확인할 수 있었지만, 사람이 직접 맵을 확인하고 평가해야 한다는 점은 여전히 시간 비용이 드는 요소입니다. 따라서 향후에는 피드백 과정을 더 효율화할 수 있는 도구나 자동화 기법의 도입이 필요하다고 생각합니다. 질문 2. 마리오 게임은 플레이 로그 등 다양한 데이터를 활용할 수 있는데, 다른 방식의 피드백도 가능하지 않을까요? 맞습니다. 마리오 게임은 플레이 로그나 다양한 통계 데이터를 활용할 수 있는 장점이 있습니다. 그러나 이번 연구에서는 실제 게임 레벨 생성 상황을 가정해 사람이 직접 선호를 표현하는 형태의 피드백을 중심으로 진행했습니다. 다른 형태의 피드백, 예를 들어 플레이 데이터 기반 난이도 검증이나 자동 플레이어를 활용한 품질 평가 등도 충분히 적용 가능한 방법이며, 향후 연구에서 확장할 수 있는 방향이라고 생각합니다.[청취후기] 주제 :  이상치 탐지 방법을 활용한 SMAC 황경에서의 다중 에이전트 버그 탐지해당 연구는 게임 내 버그를 자동으로 탐지하기 위한 프레임워크를 제안한 연구로, 특히 멀티 에이전트 환경에서의 버그 탐지를 다루었다는 점이 흥미로웠다. 강화학습 과정에 포워드 다이나믹스 모델을 포함시키고, 이를 활용해 에이전트의 행동 및 상태 변화를 예측하여 이상치를 탐지하는 방식이 인상적이었다.기존의 일반적인 이상치 탐지 기법과 비교했을 때, 제안된 방식이 더 높은 탐지 성능을 보였다는 결과도 의미가 컸다. 단순한 통계 기반이 아닌 환경 이해와 동적 행동 예측을 활용한 탐지 방식이라는 점에서, 포워드 다이나믹스 모델의 활용 가능성이 충분히 느껴졌고 아이디어 측면에서도 매우 참신한 접근이라고 생각된다.멀티 에이전트 환경에서의 버그 탐지라는 어려운 문제를 효과적으로 풀기 위한 새로운 가능성을 제시한 연구로, 앞으로 실제 게임 개발 및 테스트 자동화 영역에 응용될 수 있을 것이라는 기대감을 주는 발표였다.주제 :  바이오 디바이스 초기 배포를 위한 도메인 특화 파운데이션 모델공공 데이터와 임상 데이터를 함께 활용해 도메인 특화 오디오 기반 모델을 구축하고, 소량의 디바이스 데이터로 전이학습을 진행하는 방법을 소개했다. 초기 배포 단계에서 자주 발생하는 데이터 부족과 도메인 차이 문제를 해결하려는 접근이 흥미로웠다.특히 기존 범용 모델이나 단순 분류 모델과 비교했을 때, 제안된 방식이 더 높은 정확도와 일반화 성능을 보여준 점이 인상적이었다. 잡음, 라벨 부족, 환경 변화 상황에서도 성능을 유지했다는 결과는 실제 현장 적용 가능성을 충분히 보여준다고 생각한다.전반적으로 실질적인 문제 해결에 초점을 맞춘 유용한 연구였으며, 향후 바이오 신호 분석 및 의료 디바이스 분야로 확장할 수 있는 가능성도 높아 보였다.

[학회 후기]2025년 대한산업공학회 추계학술대회가 대전 KAIST에서 11월 6일(목) ~ 11월 7일(금) 기간 동안 개최되었다. 올해 두 번째 대전 방문(첫 번째는 ETRI 프로젝트 중간보고)이었는데, KTX를 타고 이동하는 과정부터 설레는 기분이 들었다. 처음 방문한 KAIST는 부지가 넓고 도로가 잘 정비되어 자전거로 이동하는 학생들이 많았으며, 현대적인 건물들이 인상적이었다. 학회는 주로 강의실에서 진행되었고, 대전 명물인 성심당 튀김소보로와 커피가 간식으로 제공되어 만족스러웠다. 야외 테이블에서 연구원들과 함께한 점심 시간도 즐거운 추억으로 남았다. 오랜만에 참석한 대한산업공학회에서 산업 분야에 인공지능을 접목한 다양한 연구 발표를 들으며 견문을 넓힐 수 있었고, 학회가 언제나 새로운 아이디어와 영감을 얻을 수 있는 소중한 자리임을 다시 한번 느꼈다.[발표 후기]주제: 이상치 탐지 방법을 활용한 SMAC 환경에서의 다중 에이전트 버그 탐지2025년 11월 6일, ‘이상치 탐지 방법을 활용한 SMAC 환경에서의 다중 에이전트 버그 탐지’라는 주제로 첫 세션의 첫 발표를 진행했다. 좌장이 우리 교수님이셔서 DMQA 오프라인 세미나처럼 편안하면서도, 다른 연구자들이 지켜보는 자리라 새로운 긴장감이 느껴졌다. 발표 시간은 10분으로, 약 24페이지 분량의 내용을 제한된 시간 내에 전달하기 위해 속도를 조절했지만, 다소 빠른 전개로 인해 청중의 이해가 어려웠을 수도 있다는 아쉬움이 남았다. 본 연구는 다중 유닛 기반 게임에서 인공지능을 활용해 버그를 자동으로 탐지하는 품질 보증(QA) 프레임워크를 제안한 것으로, 기존의 단일 유닛 환경에서 DQN과 LSTM 기반 이상 탐지 기법을 활용하던 방식을 확장하였다. 실제 게임과 유사한 SMAC 환경에서 D-QMIX를 통해 데이터를 수집하고, Forward Dynamics Model(FDM)을 활용하여 상태–행동–결과 간의 인과 관계를 학습함으로써 버그를 탐지하였다. 세 가지 유형의 버그를 구현하여 실험을 진행한 결과, 제안한 모델이 기존 시계열 이상 탐지 기법보다 모든 버그 유형에서 우수한 성능을 보였다.질문 1: 학습에서 보지 못했던 버그를 어떻게 평가 시에 탐지하나요?답변 1: 제안한 버그 탐지 모델은 정상 데이터만을 사용해 학습하는 비지도 학습 기반 이상 탐지 방식입니다. 따라서 학습 단계에서 보지 못한 버그가 발생하더라도, 평가 시 입력된 데이터가 정상 분포와 다르면 이를 이상으로 인식하여 효과적으로 탐지할 수 있습니다.질문 2: F1(K=0)일 때의 성능은 낮더라도 F1(K=100)과 AUC가 높기 때문에 실제 현업 관점에서 괜찮다고 하셨는데, 그렇다면 왜 F1(K=0)을 평가 지표로 사용하셨나요?답변 2: K=0일 때의 F1 점수는 기존 시계열 이상 탐지 연구들에서 주로 사용되어 온 표준 평가 지표이기 때문에 연구의 비교 가능성을 위해 포함했습니다. 다만, F1(K=0)은 실제 정답 정보를 활용해 보정된 결과를 기반으로 계산되므로, 모델의 성능이 다소 과대평가되는 한계가 있습니다. 이에 본 연구에서는 보정이 전혀 없는 실제 예측 결과를 반영하는 F1(K=100)과, K에 따른 F1 점수를 기반으로 계산한 AUC(F1-K 곡선 아래 면적)을 함께 제시했습니다. 다시 말해, K=0은 기존 연구와의 비교를 위한 기준으로 포함했지만, 실제 적용 관점에서는 보정이 없는 K=100과 AUC가 더 의미 있는 지표임을 강조하기 위해 함께 분석했습니다. [청취 후기]주제: 클래스 불균형 하 노이즈 레이블 데이터셋에서의 준비도 인식 기반 샘플 선택 방법해당 연구는 클래스 불균형과 노이즈 레이블이 공존하는 데이터셋에서의 학습 문제를 다룬 연구였다. 기존의 small-loss 기반 샘플 선택 기법은 다수 클래스의 샘플이 과도하게 선택되는 한계가 있었는데, 이를 해결하기 위해 발표자는 클래스별 학습 준비도(Readiness) 를 고려한 RASS(Readiness-Aware Sample Selection) 방법을 제안했다. 학습이 충분히 진행된 클래스만을 대상으로 클린 샘플을 선택하고, 오류 가능성이 낮은 클래스의 샘플을 활용한 Negative Learning으로 클래스 간 혼란을 줄였다. CIFAR와 Clothing1M 등의 실험 결과, 기존 기법 대비 높은 F1-score와 일반화 성능을 보여 제안 방법의 효과성을 입증하였다. 전체적으로, 학습 상태에 따라 선택 전략을 달리하는 아이디어가 현실적인 데이터 환경에서 매우 인상적이었다.주제: 인간 피드백을 활용한 언어 모델 기반 슈퍼마리오 맵 생성 알고리즘이번 발표는 인간 피드백을 활용한 언어모델 기반 슈퍼마리오 맵 생성 알고리즘 연구로, 언어모델(LLM)을 이용해 프롬프트 조건에 맞춰 자동으로 맵을 생성하는 MarioPref 모델을 제안했다. 단순 지도학습의 한계를 보완하기 위해 인간 피드백 기반 학습(RLHF) 을 적용했으며, 특히 DPO(Direct Preference Optimization) 기법이 프롬프트 충족도와 플레이 가능성 모두에서 가장 우수한 성능을 보였다. 실험 결과, MarioPref-DPO는 오류 없는 맵을 안정적으로 생성하며 Improvement Score와 Playability가 크게 향상되었다. 전반적으로 언어모델과 인간 피드백을 결합해 게임 맵 생성의 품질을 높인 점이 인상 깊었다.