[발표후기] 

제목: Concept Drift Learning for Nonstationary Traffic Control in Automated Vehicle Systems

자동 차량 시스템은 반도체 제조환경에서의 웨이퍼 운송 작업을 하는데 널리 사용된다. 효율적인 자동 차량 운영을 위해 경로의 교통 혼잡을 정확히 예측하는 것은 중요한 문제이다. 하지만 실제 운송 환경에서는 시간 경과에 따라 교통 패턴이 변화하기 때문에, 미리 학습된 예측 모델은 교통 패턴의 변화에 대응하지 못하고 교통 혼잡의 예측력이 떨어진다. 본 연구에서는 이 문제를 극복하기 위해 Concept Drift Learning 프레임워크를 제안한다. 제안 방법은 교통 패턴에 현저한 변화가 발생한 경우만, 자체적으로 모델을 업데이트함으로써 교통 패턴 변화에 강건하고 모델을 운영하는데 있어 효과적이다. 제안 방법의 우수성 및 적용성은 실제 데이터 적용을 통해 입증하였다.

첫 번째 질문: 예측 값을 이용해서 모델을 학습하는 경우 문제가 발생 할 수 있을 것 같다.

답변: 예측 값을 활용해서 모델을 학습하는 것이 아니라, 실제 값 과 예측 값의 예측 오차를 이용해서 모델을 학습 합니다.

두 번째 질문: 모델을 업데이트 할 때, 예측 오차에 따라 알고리즘의 파라미터를 조절 하였는지?

답변: 중요한 이슈이다. 현재 데이터에 대해 예측 에러가 큰 경우, 기존 모델을 현재 데이터를 잘 예측 할 수 있도록 많이 변화 시켜야 하고, 예측 에러가 낮은 경우 기존 모델을 크게 변화 시킬 필요 없다. 결국, 예측 에러에 따라 적합한 파라미터 값을 조절해 줄 필요가 있지만, 현재는 고정된 값을 사용하였고 이 부분은 향후 추가 연구계획으로 설정하고 있다.

[청취후기]

제목: Recurrent Attention Model을 이용한 객체 탐지 방법론

사람이 이미지에서 관심 객체를 인지 및 탐지 할 때, 본능적으로 이미지 내에 관련 영역을 자세히 (Attention) 바라보게 된다. 즉, 이미지 내에 배경을 포함한 모든 부분을 인식하는 것이 아니라 관련 영역은 자세히 바라보고 그 주변 부의 정보들은 훑어보면서 종합하여 결론을 내린다. 마찬가지로 기계학습 모델이 사람처럼 객체를 인식 및 탐지하게 하기 위해, 사람의 행동을 모사한 방법을 Recurrent Attention Model이라 할 수 있다. 특히, 모델로 하여금 관심 영역을 찾아 자세히 바라보게 하기 위해서, 강화학습을 이용해서 어느 부분을 집중해야 하는지 학습 시키는 방법론이다. 본 발표는 Recurrent Attention Model 내에 Fast-RCNN 등을 추가하여 모델을 정교화하는데 의의를 두고 있다. 최근 Attention 기법을 이용해 다양한 문제에 적용되고 있어, 향후 연구에서 기존과 다른 새로운 문제에 활용해 볼 예정이다.​