2019년 대한 산업공학회 추계 학술대회는 서울대에서 열렸다. 나에게 이번 학회는 남달랐다. 처음으로 학회에 데뷔(?)하는 느낌이었기 때문이다. 발표 장표를 잘 만들어야 함에 대해 다시 한번 각인하는 시간이었다. 또한 학회를 준비하면서 연구원들 앞에서 내 연구를 소개하며 연습하는 자리가 있었는데, 선배 연구원들이 해준 코멘트가 발표장표를 구성함에 매우 큰 도움이 되었다.

 해당 연구는 실험 데이터를 구축하기위한 실험계획을 어떻게 할 것인가와 문제라 할 수 있다. 6개 타이어 데이터를 이용해 6분력 하중과 관련있는 특성 인자를 추출하고, 추출한 인자에 대해 이를 변화 시킬 수 있는 설계 인자를 추출하기 위함이었다. 타이어에 대해 레이블로 이용할 만 한 변수가 없어, 타이어 영향도를 정의하고 이에 대해 군집분석을 진행하고 레이블을 생성하였다. 인자 추출을 위해 랜덤 포레스트 모델을 사용했는데, 6개의 데이터에 과적합(Overfit) 되지 않게 하기 위해 랜덤 포레스트 모델을 구성하는 의사 결정나무 숫자를 늘려 이를 조금이나마 완화하는 작업을 진행하였다. 최종적으로 6분력 하중과 관련있는 타이어 특성 인자를 추출하고, 이들을 변화시킬 수 있는 설계 인자를 추출하였다.

 발표를 마무리 한 후, 연구실 선배이자 인천대학교 교수님인 유재홍 교수님의 질문이 있었다. 관측치 개수와 랜덤 포레스트 모델을 구성하는 의사 결정 나무의 수에 대해 질문하였고, 6개와 10,000개라 답변하였다. 이렇게 질문한 이유는 실험 계획을 진행 할 때, 특정 입력 변수를 변경할 지 여부에 대해 2k-factorial design(실험 계획 방법)을 통해 설계 변수 조합을 생성한다면 너무나 많은 설계 인자의 조합이 나올텐데, 발표 내용을 이용한다면 훨씬 줄일 수 있을 것으로 생각한다는 이야기를 전해주었다.  

 제목 그대로 오토인코더를 이용해서 730차원을 50차원으로 줄이고 50차원으로 줄여진 Latent Vector를 이용해 SVM으로 분류 예측을 진행하였다. 해당 연구에서 사용된 데이터는 근적외선(NIR)과 해당 식물이 한국산인지 해외산인지에 관한 정보를 가지고 있는 데이터였다. 현재 각종 다중 분광 이미지(B, G, R, NIR, RE) 를 이용해 프로젝트를 진행하고 있는지 관심이 가는 주제였다. 근적외선이 국산여부를 판단 할 수 있다는 인사이트를 얻었다. 발표를 들으며 생긴 의문은 오토인코더를 이용해 차원 축소를 진행하였지만, 인공신경망을 사용한다면 어떨까라는 생각이 들었다. 차원을 축소해서 예측을 진행하는 것은 오로지 성능에만 초첨을 맞춘것이라 생각되는데, 다른 비교 실험을 추가로 진행했으면 좋았을 것으로 생각한다.

 Zero-Shot, Few-Shot Learning 이라는 제목은 많이 들어보았다. 하지만 여기에 대해 제대로 알지 못하고 있었다. 발표 제목에 있는 Zero-Shot이라는 의미는 다음과 같다. 특정 문제를 해결하기 위해 만든 모델이 있고, 해당 모델의 파라미터들만을 이용해 다른 문제를 해결하는데 도움을 주는 방법론이다. 발표자에 따르면 분류 문제에 대해서 Zero-Shot learning을 이용하였고 자신이 최초라는 언급을 해주었다. 요즘 들어 Domain Adaptation, Zero-Shot, Few-Shot 등과 같은 용어를 많이 듣고 있다. 4차 산업 혁명시대에 생산되는 데이터는 대부분 비정형 데이터고, 이에 대해 레이블링을 생성하는데 많은 비용이 든다. 레이블링 생성 비용을 줄이고자 하는 연구의 하나라 생각된다. 또한 해당 발표가 이루어진 세션에 진행되었던 Active Learning 역시 목적을 같이하고 있다는 생각을 하였다. 레이블링 비용을 줄일 수 있는 알고리즘에 대한 공부와 논문을 찾아보아야 겠다는 생각을 했다.