전반적으로 GAN(Generative Adversarial Network)에 관한 내용이 많았다. 현재 듣고 있는 수업에도 어떻게 하면 강건한 GAN모델을 만들 수 있을 것이며, GAN에서 목적식과 이를 구성하는 여러가지 평가지표(ex. Mutual Information, KL-Divergence)에 관한 내용들을 배우고 있다. 세계적인 학회에서도 GAN에 관한 연구가 많고, 한국에서도 많은 것을 보니 매우 뜨거운 토픽임에는 틀림이 없다. 또한 GAN를 이용한 이상치 탐지모델을 만든 서울대의 박지혜님의 발표에서 느낀 점은 기존의 연구보다 성능이 떨어지지만, 새로운 contribution이 있다면 이를 논문으로 만들고 발표를 진행하는 경우가 있음을 보았다. 신입생으로 아직 contribution을 정의하기 힘들지만, 이를 찾기 위해 노력 해야겠다라고 다짐했다. 또한 CNN을 이용하여, 파도에 관한 이미지 분석을 하는 경우가 있었다. 해당 부분과 관련하여 Training/Test Dataset을 어떻게 만들었는지에 관한 발표자와 청취자사이의 논쟁도 있었다. 또한 Training/Test Dataset의 분포와 관련한 이야기도 존재했다. 이러한 대화를 들으면서 느낀 부분은 통계적 가설/검정과 관련한 부분을 놓치지 말고 연구를 진행하고, 논문을 써야 한다는 것이다.

이창현 - GASNet : Generating and Segmentation Networks for identifying wafer defect patterns

비지도학습 알고리즘으로 여겨졌던 VAE를 이용해서 Classification을 진행하는 것이 특별하게 느껴졌다. 즉 학습된 Generator를 분류 모델로 사용한다는 말이다. 또한 Input 데이터를 생성하는 동시에, y의 label을 동시에 생성하면서 Training Dataset의 양을 증가시킨다. 해당 방법은 Generative Model + Segmentation Model의 방식으로 동시에 생성과 분류를 동시에 진행한다. Generator에서 생성되는 이미지를 계속해서 Segmentation 모델에 집어 넣어 줌으로써, segmentation의 Training Dataset이 엄청나게 증가하고, 모델이 강건해질 것으로 생각한다. 창현이 형이 어떤 연구를 하는지 모르고 있었는데, 제대로 알수있는 좋은 기회였다.