이번 대한산업공학회 추계학술대회에는 한양대학교에서 진행되었다. 지속적으로
기계학습과 관련된 연구 발표들이 늘어나고 있었으며, 특히 딥러닝과 강화학습 기법들에 대한 연구의 비중이
늘어나고 있다는 것을 느꼈다. 알고리즘 개발에 대한 연구보다 어플리케이션에 초점이 맞춰진 연구들이 많았으며
흥미로운 주제들이 있었다.

[발표후기]

연구실에서 프로젝트로 진행했던 ‘신종 범죄수법에 대응한 범죄 분류체계
개선 연구’라는 제목으로 발표하였다. 현행 범죄 분류체계가
가지고 있는 문제점으로는 크게 2가지가 있다. 첫 번째 문제점은
신종 범죄에 대한 항목을 추가하지 않고 기타 항목으로 구분하여 최근에 많이 발생하는 범죄를 충분히 반영하지 못한다는 것이다. 두 번째로는 소분류의 종류가 너무 많아 비슷한 범죄들임에도 불구하고 다른 이름으로 구분을 하여 소분류 간 배타성이
낮다는 점을 꼽을 수 있다. 이러한 문제점들을 해결하기 위하여 우선적으로는 데이터를 통합하는 프로세스를
진행하였다. 범주형 데이터인 범행수법 데이터와 텍스트 형태의 범행사실 데이터를 하나의 데이터로 통합하는
전처리 과정이 필요하였는데, 범주의 개수가 너무 많아 이를 일종의 텍스트 데이터로 간주하여 붙이는 방법을
사용하였다. 또한, 문서의 길이에 따른 정규화를 통해 문서
간 텍스트 길이가 차이가 나는 것을 보정하였다. 첫 번째 문제를 해결하기 위해 계층적 군집화 방법론을
적용하였다. 하위 군집들을 구축한 후, 연도별 발생 패턴을
확인하여 최근에 많이 발생된 범죄들을 새로 네이밍하여 신종범죄 레이블을 생성하였다. 두 번째 문제를
해결하기 위해서는 딥러닝 분류모델을 구축하였다. ‘분류모델이 혼동하는 클래스는, 데이터 관점에서 유사한 클래스’라는 가정하에 클래스별 오분류 비율
행렬을 구축하고, 이를 네트워크 형태로 시각화 했다. 서로
이어져 있는 범죄분류 간 범행 특성을 비교하여 유사한 범죄들을 모델 관점에서 추출 및 통합하였다.

어플리케이션 프로젝트였던 만큼 데이터에 대한 설명을 더 자세히 발표하고 싶었으나, 범죄 데이터에 대한 보안 문제 때문에 자세하게 발표자료를 작성하지 못했던 것이 가장 아쉬웠다. 흥미로운 도메인이기 때문에 해당 연구가 가지고 있는 의미에 대해 청중들에게 전달하려고 노력했지만, 생각보다 효과적이었던 것 같지 않다고 느꼈다.

[청취후기] Clear the
Fog: Image Completion in Partially Observed Games with Deep Learning

스타크래프트 게임에서 ‘전장의 안개’에
가려진 다른 지역의 상황을 예측하는 모델에 관한 발표였다. 실생활에서 정보의 비대칭이 일어나는 상황은
매우 다양하며, 의사결정을 하는데 있어서 이는 가장 큰 걸림돌 중에 하나이다. 스타크래프트에서 일어나는 정보의 비대칭은 적이 어디에서 무엇을 하고 있는지 알 수 없는 전장의 안개 때문에
일어난다. 상대방의 행동을 알 수 있다면 전략을 세우는데 있어 많은 도움이 된다는 것에서 시작한 연구는, convolutional encoder-decoder를 사용하여 이러한 문제를 해결한다. 현재 내가 가지고 있는 정보를 input으로 하고, 실제 상대방이 가지고 있는 실제 유닛들의 개수와 위치를 output으로
학습을 한다. 모델 아키텍쳐 설계와 학습 방법 또한 인상 깊었지만, 모델을
학습시키기 위한 데이터를 구축하는 과정에 있어서 겪었던 어려움과 이슈 사항, 고려해야 할 점들을 발표했던
것이 가장 기억에 남는다. 문제를 해결하기 위해 다양한 방법들을 시도해볼 수 있겠지만, 각 스텝들이 가지고 있는 이유들을 효과적으로 설명할 때 논리적인 연구가 된다는 것을 느꼈다.

 ​