-포스터 발표 후기-


옆 포스터 발표자가 여러가지 질문을 하는 등 관심을 보여주어 기뻤고, 다른 포스터 대비 전공 내용이 부족하여 조금 아쉬웠다. 데이터마이닝 방법에 대한 설명과 예측 결과에 해석내용 또는 그래프가 있었다면 더 나은 포스터가 되었을 것이다. 포스터 내용이 일러스트 위주로 글이 적었는데 간략해서 눈에 잘 들어오는 장점이 있었지만, 글 내용이 적어서 설명이 없는 포스터 발표로는 부적합 하다는 생각이 들었다. 포스터 발표시에는 보는이를 위해서 구두 발표 자료와 달리 설명을 적는것이 좋다고 생각되어 앞으로는 포스터 발표 자료와 구두 발표 자료 상황에 맞게 만들어야겠다.



-청취 후기-


Data mining을 활용한 혁신 기법 연구 세션이 인상깊어 그 세션의 발표에 대해 적어본다.



1)누적 영역 점수 관리도의 통계적 설계-임태진(숭실대학교)

누적 영역 점수 관리도는 Cumulative Zone Score란 이름으로 관리도에서 분산의 작은(예 1시그마)Zone은 배점을 1점으로, 분산이 더큰(2시그마)Zone은 배점을 2점하여 Sum을 한 것이다. 이것은 Xbar처럼 단순하면서도 Cusum처럼 공정 평균이 Shift되는 것을 잘 잡을수 있다고 한다. 실제로 현업에서 Cusum 대신 Xbar 관리도를 쓰는 것으로 알고 있는데 그 이유가 Cusum이 통계적 특성을 해석적으로 구하기 어렵기 때문이라면 좀더 단순해진 Cumulative Zone Score가 괜찮은 해결책이 될 수 있겠다.



2) 반도체/디스플레이 제조업에 적용가능한 강건한 이상치 탐지 기법-이종석(성균관대학교)

이미지 classification을 하는 경우 노이즈를 해결하는 것이 중요한데, 노이즈 즉 outlier를 제거하는 전처리 방법에 관한 연구이다. outlier를 제거하는 방식은 두가지로 거리기반 방식과 밀도기반 방식이 있는데 각각 단점이 있다. 거리 기반 방식은 center에서 가까운 쪽에 outlier가 있으면서 거리가 먼위치에 듬성듬성 데이터가 있는경우, 가까이 위치한 outlier를 찾지 못하는 문제가 있다. 밀도 기반 방식은 cluster 모양이 얇게 분포한 것은 center에서 outlier 까지의 밀도나 cluster 내의 점들간 밀도가 크게 다르지 않아서 outlier를 못 찾는다는 문제가 있다. 게다가 k 파라미터에 따라서 결과가 달라진다.

그러나 연구자가 제안한 instability factor와 observability factor 방식은 상기 두가지 방식의 단점을 보완하여 좀더 outlier를 잘 detect 할 수 있다고 한다. 특히 instability factor의 경우 파라메터 Free로 파라메터를 변경하여도 output이 크게 달라지지 않았다. k수가 적을때는 기존의 거리또는 밀도기반 방식의 더 좋았으나 k수가 많아지면 연구자의 제안방식이 더 좋은 성과를 나타냈다. 이미지 분석은 디스플레이 산업에서 얼룩, 잔상, uniformity와 같은 화면 이상을 잡기 위해 필요한데, 데이터 마이닝을 적용하여 분석한다면 연구자의 제안을 참조하는 것이 도움될 수 있겠다.