[학회 후기]

지난 4월 11일 코엑스에서  “사례를 통해 본 AI& BI” 라는 주제로 한국 BI 데이터 마이닝 학회에
방문하였다. 처음 데이터 마이닝 학회에 참석하는 것 이라 매우 기대가 컸다. 내용들의 대부분은 CNN,RNN 등 딥러닝 기반의 연구로 보였고
대부분은 이해가 잘 되지 않았지만 요즘 트랜드가 어떤 것 인지 알게 해 주고 앞으로 어떤 것을 공부해야 하는지 알 려준 학회 인거 같다.

[청취 후기]

-       GASNet : Generation and Segmentation Networks for
Identifying Wafer Defect Patterns

이 세션은 창현이가GASNet 알고리즘에
대하여 발표하였다. 반도체 생산 공정에서 불량은 수율 및 신뢰성에 큰 영향을 주기 때문에 불량 원인
추적 및 개선이 필요하다. 이를 해결하기 위해 기존에는 사람이 불량 패턴 분류를 진행 하였는데 시간/자원의 제약으로 한계가 있었다. 이를 개선하기 위해 웨이퍼 이미지의
불량 다이를 정의된 불량 패턴으로 분류하는 모델이 필요했고 이를 위하여 많은 데이터가 필요하지만 실제로는 많은 데이터를 얻기 어려워 VAE 생성모델 자체를 학습 데이터로 이용하여 학습함. VAE 모델은
해당 데이터의 분포를 학습하는 모델인데 기존에는 DATA POINT 를 이용하여 학습을 시켰다면 이번
연구에서는 Data distribution 을 이용하여 학습에 이용.
하고 GASNet 을 제안함. Generation Model
을 먼저 학습하고 나온 generated training data를 Segmentation Model 에 집어넣어 segmented image
data를 추출. 이를 이용하여 WBM 불량
패턴을 분류하였다. 기존방법인 DATA POINT 방법에
비해 전체적으로 우수한 성능이 나왔다. 학습데이터가 부족한 상황에서 효율적으로 DEEP LEARNING 모델을 학습할 수 있는 방법론이라고 생각한다

-       InfoGAN 을 이용한 해석 가능한 비지도학습 기반 이상치 탐지 방법

이번 세션은 서울대학교 연구실의 박지혜
연구원이 발표하였다. 이상치 탐지, 오 분류 case에 대하여 모델을 수정할 수 잇는가에 대해 진행이 되었다. 기존
문제는 불량 제품 탐지, 금융사기 탐지, 보안 시스템 탐지
등 여러 분야에서 이상치를 탐지하는 것은 매우 중요한 문제인데 정량적/수치적 근거를 기준으로 anomaly 재판단을 할수 있도록 측정기계의
오류로 인한 이상치는 제외 / 이상치로 탐지된 케이스 결과에 이상치로 분류되어야 할 케이스가 포함되어있지
않을 경우 특정 rule 이 이상치로 분류되도록 모델이 수정되어야 하도록 함이다. 기존에는 AnoGAN 을 이용하였는데 이는 anomaly 탐지 rule 에 대한 수정이 필요한 경우 수행이 어렵다. 이를 개선하기 위해 이 세션에서는 InfoAnoGAN 을 제안 하였다.

새로운 유형의 데이터에 대해 ‘근거’로서의 역할을 할 수 있는 의미 있는 특징을 추출. 이를 위해 Mutual information을 최대화 하는 가정이
들어가 있는데 이는 I(X;Y) = H(X)-H(X/Y) 이다. 이를
토대로 Residual loss 를 Anomaly score 로
사용하여 이상치를 탐지하고 그 근거를 진단하여 anomaly 재분류를 위한 의사결정을 할수 있도록 하였다. 하지만 hyperparameter 설정에 따라 이상티 탐지 성능이
변화되어 Mutual Information 만 최대로 하는 것은 의미가 없다고 하였다. 이를 위해 Discriminator loss, BIGAN, VAE 등등을
이용해 봐야 한다고 하였다. 사실 매우 어려워서 잘 이해는 못했는데 많은 공부를 해야 겠다는 생각이
들었다.