-발표자
후기-

[발표
주제: Content-based Filtering for Recommendation Using
Ego-focused Network]

1.발표준비과정

Content-based filtering 기법이
Collaborative filtering 기법에 비해 추천성능이 좋지 않은 이유는 아이템 군집화가 잘 이루어지지 않기 때문이다. 본 연구에서는 아이템의 특징을 잘 파악하고 적절한 군집을 나누기 위해 네트워크분석을 적용하였다. 네트워크 분석은 크게 Sociocentric과 Egocentric 분석으로 나뉘어 지는데 본 연구에서는 개인화 된 추천을 위해 Egocentric 분석에 초점을 두었다. 특히, 기존 Egocentric 기법의 문제점을 보완하기 위해 Ego-focused
centrality를 새롭게 제안하였다. 실제로 영화추천 실험을 진행하였으며 제안하는 기법이
기존의 Content-based filtering 기법보다 성능이 우수함을 확인하였다.

2. 질문
및 대답

질문 1: Ego-focused centrality에서 Ego가 무엇인가?

대답 1: 기존의 네트워크 분석은 중심도 계산 시 모든 노드를 똑같이 고려하지만, Ego-focused centrality는 특정 노드 중심으로 중심도를 계산한다. Ego는 사용자가 흥미를 가진 Item이다.

질문 2: 중심도 계산시 모든 노드를 다 이용하여 계산하는가?

대답 2: 사용자가 흥미를 있는 가지고 있는 클러스터링 그룹에 있는 아이템만 대상으로 한다.

질문 3: 중심도를 4개를 사용하였는데
모두 같은 가중치를 두고 평균값을 사용했다. 하지만 사람에 따라서 중심도 종류 별 가중치가 가를 수
있지 않은가?

대답 3: 중심도 계산에서는 개인화를 염두 하지 않았다.
Ego-focused centrality 기법을 적용함으로써 개인화 추천을 진행하였다. 

3.발표
시 아쉬웠던 점과 개선방향

네트워크 기법 중에서도 Egocentric 분석은 널리 알려져 있지 않은 분석이다. 이 부분에서
설명이 좀 부적했을 수도 있겠다는 생각을 하였다. 또한 세번 째 질문을 받을 때, 처음엔 질문을 잘못 이해하였다. ‘개인별 중심도에 대한 가중치가
다를 수 있지 않냐’는 질문인데, ‘중심도 별 특성이 다른가’로 이해하였다. 이후 대답도 좀 추상적으로 하였고 초점을 벗어난 듯
하다. 질문자의 의도를 정확히 파악하고 가능한 명료한 대답을 할 수 있도록 해야겠다.

-청취자
후기-

“International Conference on Machine
Learning and Soft Computing (ICMLSC 2017)”과”The 9th International
Conference on Computer Research and Development (ICCRD 2017)”, 두 개의 학회가 같이
열렸다. Keynote세션과 자연어처리 관련 발표가 개인적으로 흥미로웠으며 다양한 기계학습 적용사례를
접할 수 있는 좋은 기회였다.

Segmentation liver
from 3D abdominal CT image by enhanced Otsu method

간의 크기에 따라 처방이 달라지기 때문에 CT이미지를 통해 간의 크기를 측정하고
분류하는 작업이 중요하다. 해당 연구에서 사용된 Otsu 기법은
영상에서 배경과 전경을 분리하는데 사용하는 이진화 기법 중 하나이다. 배경과 전경을 나누려면 기준이
필요하고 이때의 특정 값을 threshold 값이라고 한다. 이미지는 전처리를 통해 분포로 나타낼 수 있고, 이때
전경과 배경 분포를 구별할 수 있는 위치가 threshold인 것이다.
특히, Otsu는 우리가 흔히 알고 있는 Within
class variance, Between class variance를 사용하여 적절한
threshold를 찾아낸다. 연구의 동기서부터 기법 적용까지 분석 프레임이 논리적이었으나
어느 부분이 본 연구의 Contribution인지 강조가 덜 된 것이 아쉬웠다. Otsu 수식을 변형한 것이 아니라 아마도 이미지 전처리에 초점을 두어 두 분포 사이에 명확한 threshold 값을 찾는 것을 목표로 한 듯 보인다.

학회를 오는날 닥터왓슨에 대한 기사를 보았다. 실제로 길병원에서는 IBM이 개발한 인공지능 의사 왓슨을 통해 환자를 진료하고 있다. 의료분야에서 실질적으로 서비스가 이루어지고
있고, 사람들도 인공지능의 분석 결과에 대해 굉장히 신뢰하고 있다는 것은 얼마나 빠른 속도로 인공지능이 우리 삶에 영향을 끼치고  사람들 인식이 변화하고
있는지 보여주는 단적인 예라고 생각한다. 키노트 세션에서도 의료데이터 분석과 관련 된 발표를 들을 수
있어서 유익했다.

Challenges in
assistive intelligent robotics

로봇이 장애물을 스스로 인식하여 속도를 조절하고 방향을 찾아가는 연구에 대한 발표였다.
발표자는 일본의 Hosei university의 교수였는데 일본 매체에도 소개된 연구로
매우 흥미로운 주제를 다루었다. 쉽게 말해 자율주행과 비슷한 것인데 로봇에 달린 Laser Range Finder (LRF) 와 카메라를 통해 데이터를 수집한 후, 인공신경망을 통해 학습한다. 신경망의 Output Layer는 Steer와 Speed 인 것이다. 학습을 통해 로봇은 좁은 길에서도 장애물을
피하고 목적 지점까지 방향을 탐색해 찾아간다. 방향탐색에 있어 GPS를
사용하였는데 이 부분에 대해서는 정확하게 설명하지 않았다. 또한, 단순히
물리적으로 장애물을 인식하고 방향을 학습하는 것이 아니라 사람의 뇌파 (뇌 신호)를 감지해 로봇을 컨트롤할 수 있는 연구도 설명하였다. 즉, ‘사람이 멈추고 싶다’ 라는 생각만 해도 장비가 뇌 신호를 감지하고
이를 로봇이 반영하는 것이다. 생각만으로 로봇을 컨트롤할 수 있다는 것이 흥미로웠으나 현재 진행하고
있는 연구라서 어느 정도 수준까지 연구가 진행 되었는지, 어느 정도의 정확도를 보장할 수 있는지에 대해서는
알 수 없었다. 쥐의 뇌파를 통해 실험을 하였고 가능성을 확인 한 수준 같다.

 ​