1. 인폼스 2016 요약

학문간의 연결은 흥미로운 결과를 낳는 경우가 많다. 대표적인 예로는 최근 화두가 되고 있는 딥러닝을 뽑을 수 있다. multilayer network 모델의 weight 결정을 위한 엄청난 크기의 최적화 문제(산업공학)를 병렬처리 기법(컴퓨터학과)을 접목하여 사용 가능한 수준으로 개선했기 때문이다. 알파고에서 사용한 강화 학습의 경우도 동적 계획법과 딥러닝이라는 두 학문의 연결을 근간으로 볼 수 있다. 따라서 이번 인폼스에서도 이러한 두 학문의 연결과 관련된 내용이 크게 증가할 것으로 예상했다.

 그러나 이번 학회를 통해 확인된 연결은 산업공학 내부에서 일어난 듯 하다. 표현하자면 최적화와 통계의 연결이 아닐까 생각한다. 물론 인폼스가 최적화가 강세인 학회이긴 하지만 최근 트랜드를 확인하기 위해 대부분 데이터마이닝의 세션에서 시간을 보낸 느낌을 간단히 요약하면 'optimization의 재발견'이다. 특히 데이터마이닝의 전통적인 문제인 변수 선택을 정수 계획법으로 결정하거나, decision tree와 같은 정보이론 기반 모델마저 혼합 정수 계획법으로 최적 노드의 분할점을 설정하여 Random Forest보다 낮은 generalization error을 보였다는 점은 매우 인상 깊었다. 모델의 파라미터 추정에 있어서도 최적화 기법의 활용은 돋보였다. 일반적으로 그리드 탐색, 교차검증을 주로 사용하지만 이 경우 탐색 범위가 제한적인 문제가 있다. 물론 최적화에서도 복잡한 문제는 heuristic 접근을 사용하지만 수리적으로 과학적인 탐색이 가능하기 때문에 보다 정확한 파라미터 추정이 가능할 것으로 기대된다. 그 외에 Lasso, SVM와 같은 기존 최적화 기반 모델들도 MIHLSVM, MIRLSVM, Self-Training-based SVR과 같이 기존 모델의 단점을 보완한 연구가 꾸준히 진행되고 있음을 확인할 수 있었다.

 동국대 홍정모 교수님의 딥러닝 오픈 강의에는 "미래 프로그래머들은 최적화 모듈을 마음대로 호출하고 사용할 줄 알아야 한다."고 조언한 내용이 있다. 학회가 작년에 비해 더욱 optimization으로 집중되고 기존의 데이터마이닝 방법론에 최적화를 접목한 연구가 대부분인 반면, 실생활이나 산업 현장에서 응용한 연구 사례가 많지 않은 점은 아쉬웠다. 하지만 이러한 연구들이 앞으로 발전한다면 홍교수님의 조언대로 현실과 가까운 어플리케이션에서 최적화를 일반적으로 사용해야 할 날이 올 수도 있겠다는 느낌이다.

 2. 개인발표 결과

    (제목: Applying Directed Acyclic Graph-based Ensemble Model For Analyzing Huge And Mixed Data In Mobile Manufacturing)

 발표는 개인적으로 아쉬운 점이 많았다. 중간에 멈칫하거나 막히는 부분이 많았는데, 작년에 비해 내용이 어려웠음에도 여과없이 너무 많은 내용을 전달하고자 욕심이 앞섰던 것이 가장 큰 문제가 아니었을까 생각한다. 발표 후에 교수님께서 모국어가 아닌 언어로 발표해야 하는 입장에서 청중보다는 우선 본인에게 발표 내용이 쉬워야 한다고 조언해주셨는데 많은 공감이 되었다.

 발표 후에는 멀티클래스에서도 사용이 가능한지 간단한 질문이 있어서 가능하다고 답변했다.