[학회 후기]

이번 대한산업공학회에서는 작년 데이터마이닝학회가 진행되었던 서울대학교에서 개최되었다. 발표로 연구 발표가 아니라 과제 결과를 발표하는 시간을 가졌기 때문이기도 했지만, 올해 규모가 더 큰 학회에서의 발표를 한 경험 덕분인지 부담감은 덜 느낄 수 있게 되었다. 사진을 찍기위해 한 빈 세션장에 우리 연구실 연구원들이 모이는 시간을 가졌다. 신공학관 211호, 212호 나누어 연구실을 써서 그동안은 느낄수 없었는지... 새삼스레 진짜... 많구나 느껴지면서 든든하게 느껴졌다. 또한 졸업생 선배들이 한 기업을 대표하여, 또는 교수님으로 대한산업공학회를 참석하셔서 그들과 담소를 나누고 인사할 수 있는 시간도 가질 수 있게되어 뿌듯했다. 연구실에서 매일 동고동락했던 선배들이 멀끔한 모습으로 그들의 위치에서 빛을 내고 있는 모습을 보며 나의 미래를 상상으로 그려보는 시간을 가질 수 있었다.

우리 연구실에서는 대한산업공학회 발표가 한학기에 한번씩 의무적으로 실행된다.  매 학기 발표를 한다는 것이 처음에는 너무 빠듯하고 벅차게 느껴졌지만,  지금은 습관화되어 당연하게 연구원 모두들 어떤 시기 쯤 되면 교수님께서 말씀하시지 않아도 자연스레 발표주제를 고민하고, 연구를 정리하면서 발표를 준비한다. 모든 일이 처음은 어렵고 시간도 오래걸리고 힘들지만 어느 순간 힘들어도 계속 반복하면 자연스럽게 체득된다. 지금 나에게 처음이고 어렵고 시간이 오래걸리는 일이 무엇인가? 생각해보게되었다. 그것을 꾸준히 반복하려고 해야겠다. 어느 순간 자연스러워지겠지..?   

[발표 후기]

기계학습 모델 기반 범죄건수 조기예측

올해 2차년도를 진행중인 위험 상황 초기 인지 과제의 결과를 발표했다. 1년간 우여곡절도 많던 해당 과제가  그래도 (얼추?) 마무리되어 학술대회에서 발표하게되었다는 점에서 뿌듯하고 같이 고군분투해준 연구원들에게 고맙다고 말하고 싶다. 

Q1: 현재는 오늘 기준 익일의 범죄건수를 맞추는 모델을 구축하였는대, 장기예측 가능한 모델은 시도해보았는가?

그동안은 시도해보진 않았지만, 현재 본 모델은 경찰력 배치를 위해 활용될 예정이기에 그 나름 장기 예측 또한 의미있는 결과를 줄 것 같다.

사실 현재 가진 데이터로 시도할 수 있는 다양한 task가 존재한다. 과제이기때문에 기존 과제계획에 국한되어 수행할 수 밖에 없는 현실에 안타까움을 느낀다. 

Q2: 하루를 6시간 단위로 나누어 4시간대를 예측하게 된 계기는?

실제 사용한 경찰관들의 의견을 수렴하였고, 활용관점, 성능관점에서 트레이드오프 관계가 있기때문에 그를 적절하게 맞출 수 있는 단위로 결정되었다.

[청취 후기]

지난 여름방학 강석호 교수님의 세미나를 듣고 이번 학회에서는 강석호 교수님 연구실 학생들의 연구를 다 들어보는 것을 목표로 했었다. 3명의 발표가 진행되었으며 일단 초록집의 제목만으로도 세 발표 모두 청취자로 하여금 구미를 당기게했다. 이번에 발표된 3개의 발표도 추후 어떻게 발전되어 논문화 될 지 매우 기대된다. 앞으로 산공학회를 가게되면 매번 꼭 찾아서 들을 계획이다. 세개의 연구 모두 최신의 핫 토픽이며, 벤치마크 데이터 셋을 활용했다는 점이 눈이 띈다. 강석호 교수님은 연구실적이 굉장히 뛰어나신 분이라고 익히들어왔는대 왜 그러하신지 분명히 알 수 있던 세션이었다.

[Zero-Shot Knowledge Distillation for Regression]

자원의 제한이 있고 원본 학습데이터의 이용이 불가능한 환경에서 성능이 우수한 큰 모델을 근사하는 작은 모델을 학습하기 위해 제로샷 지식증류가 최근 활발히 연구된다. 하지만 본 연구에서는 기존에 Classification에 국한되어 진행되는 연구를 Regression으로 변경하여 연구하였으며, 벤치마크 회귀 데이터셋으로 성능을 확인했다. 

[Training Neural Networks with Layer-Wise oversampling for Imbalanced Data Classification]

클래스 불균형문제를 인공신경망의 은닉층 단위의 오버샘플링 방법을 이용해 해결하는 연구 아이디어를 발표했다. 27개의 클래스 불균형 벤치마크 데이터셋을 이용해 실험하였고 기존방법들에 비해 제안 방법이 우수함을 보였다.

[Active Learning for Graph Neural Network for Molecular Property Prediction]

최근 GNN이 화학 및 소재 분야 연구에서 활발히 적용되어 왔다. 하지만 초기 학습 데이터의 구축을 위해 다수의 물질에 대한 물성 레이블링이 필요하다. 본 연구에서는 Dropout 기반 베이지안 근사를 사용한 Active Learning으로 적은 레이블링으로 높은 예측 성능을 달성하는 방식을 사용하여 이를 해결했다.