[학회 후기]

​

이번 BI 학회에서는 인공 지능에 대한 학계와 기업의 뜨거운 관심을
느낄 수 있었다. Neural Networks, Machine Learning, Deep Learning으로
이어져 온 인공 지능이 현재 우리의 삶을 어떻게 바꾸고 있는지, 그 속에서 내가 기여하고 싶은 부분은
어떤 것인지 생각해보게 되는 좋은 기회였다. 가장 인상 깊었던 것은 김범준 교수님의 강연이었다. 순수한 지적 호기심에서 출발하여 연구를 진행 시키시고 그 과정 자체를 즐기시는 모습을 보면서 연구는 무조건
실생활의 문제를 해결해야만 한다는 나의 선입견에서 빠져나올 수 있었다. 오후 세션에서는 좀 더 다양한
주제에 대하여 여러가지 방법론을 활용한 연구를 들을 수 있었다. 주제 자체가 참신한 연구도 있었고, 문제 상황은 예전부터 많이 다루어졌지만 새로운 시각으로 접근한 사례도 있어 아래에 간단하게 소개해 본다.

[청취 후기]

- 합성곱 신경망을 이용한 스타크래프트 경기 승패 예측

같은 연구실의 조윤상 연구원이 발표한 내용이다. 스타크래프트 경기
중 기록되는 프레임 데이터를 이용하여 향후 경기의 승패를 예측한다는 접근이 신선했다. 지도학습을 통해
승, 패 label을 맞출 때 CNN을 사용하였는데 이 때 filter의 개수가 너무 많아 전체
element의 합이 0이 되는 filter를 제거하였다. 그러나 이렇게 될 경우 게임 별로 filter size가 달라질 수 있기 때문에 모델을 일반화하기 어렵다. 따라서
Filter의 개수를 줄이기 위한 더 설득력 있는 기준을 찾으면 좋을 것 같다. 또한 발표자가 추후 연구로 이야기 했듯이 raw data에서 noise를 제거하여 정제된 데이터로 학습을 하면 CNN 아니라 유사한
어떤 모델을 쓰든 결과가 더 좋아질 것 같아 앞으로 가능성이 큰 연구라고 생각한다.

- 행렬 분해를 활용하는 협업 필터링 모델의 학습 최적화를 위한 데이터
선별 관점에서의 메타러닝

발표자는 추천 시스템에서 다루는 데이터 대부분이 롱테일 분포를 가지며 밀도가 낮다는 점에 착안하여 데이터의 난이도나
특성을 고려하여 학습 전략을 수립하는 연구를 진행하고 있다. 이를 위해 엔트로피 기반의 더 어려운 학습
데이터 셋을 만드는 Curriculum learning부터 강화학습으로 분류 문제를 해결하는 머신러닝
모델의 학습 과정에 필요한 데이터를 선별하는 모델인 Neural Data Filtering까지 선행
연구를 충실하게 조사하고 본인의 연구에서는 선행 연구의 한계점을 어떤 식으로 극복하고 있는지 알기 쉽게 설명하였다. 발표자의 유저, 아이템의 특성을 고려한 학습 과정을 학습하는 메타
러닝 방법론 연구는 강화학습을 이용한 training 과정에서 배치 별로 중간 로스 변화량에 기반하여
중간 리워드를 계산하기 때문에 가능하다. ‘추천 시스템을 더 잘 만들자’라는 무난한 주제에 비해 ‘학습 과정을 학습한다’라는 접근 자체가 엄청 새로워서 흥미로웠다. 다만 행렬 분해를 활용한다고
했는데 그 부분을 좀 더 자세히 설명해주었으면 더 좋았을 것 같다.