2020년 11월 13일 대한산업공학회 추계학술대회가 개최되었다. 지난 봄, COVID-19로 인해 많은 학회들이 진행을 연기되어왔다. 이후에도 좀처럼 나아지지 않는 환경 속에 이번 학회는 대다수의 연구원들이 오프라인으로 학술대회를 참여하게 되었다. 언택트 시대를 대표해 시행한 비대면 학회는 개인적으로 많은 편리함과 더불어 아쉬움을 자아냈던 것 같다. 먼저, 우리 연구실에서 여러 미팅들을 이미 비대면으로 수행해왔기 때문에 발표를 하는 입장에서 비대면 고유의 어색함에 적응 되어있었고, 이런 관점에 크게 나로서는 부담이 덜어졌던 것 같다. 또한, 시간과 공간의 제약이 없다는 것은 누구에게나 그렇듯 많은 편리함을 제공하고, 실제로 이동시간이 없다 보니 이전 학회 참여대비 체력적인 소모가 거의 없었던 것 같다. 반면, 아무래도 비대면으로 진행하다 보니 연구에 대한 커뮤니케이션이 어려웠던 것 같고, 네트워킹을 하기 어려웠다. 확실히 대면 발표과정에서 오는 긴장감과 이를 마치고 난 후에 느끼는 성취감이 많이 상쇄된 것 같아 개인적으로 많은 아쉬움이 남는 것 같다. 끝으로, 이번 학회를 통해 준비하는 과정과 발표이후에 어떠한 방식으로 스스로 개선해야 할지 다시한번 정리할 수 있었던 것 같다. 여러 연구들을 청취하며 느낀 insight들 또한 잘 정리해야겠다고 생각한다.

[발표 후기] Uncertainty-Aware Hierarchical Attention Network for Reliable Multichannel Signal Classification and Interpretation

최근 개인연구로 발전하여 연구중인 Uncertainty-Aware Hierarchical Attention Network에 대해서 소개하는 시간을 가졌다. Attention mechanism을 모델 해석에 활용하고자하는 시도는 많은 도메인 영역에서 활발히 연구되고있다. 일반적으로 사람이 해석에 대해 판단하기 용이한 이미지, 텍스트 같은 경우에는 주요 부분에 대한 해석을 정성적으로 평가하기 쉽다. 다들 한번쯤 CAM기반 연구에서 강아지, 고양이 분류하는 이미지에 각 얼굴에 activate된 이미지를 본적이 있을 것이다. 하지만, 훨씬 복잡한 센서데이터 같은 경우에는 주요 정보를 제공하더라도 이에 대한 판단에 어려움이 있다. 따라서, 제안 연구는 센서 데이터에 주요 센서와 시점을 판단해줄 뿐만 아니라 이러한 해석에 대해 신뢰정도(uncertainty)를 정량화하여 제공하는 것이 목표이다. 이를 모델링으로 구현하기 위해 attention자체를 stochastic하게 모델링하도록 구성하였다는 점이 가장 큰 이점이라고 할 수 있으며, 이를 검증하기 위한 전반적인 검증 프로토콜도 구성하여 소개할 수 있었다.

개인적으로 해당 연구를 대한산업공학회에 소개하기 위해 준비하는 과정에서 기저가 되는 주요 연구들을 어느정도 설명을 하고, 요약해야 청자들이 이해할 수 있을지에 대해 많은 고민을 했던 것 같다. 더불어, 여러 발표를 해보며 심플하고 명료하기보다는 장황한 편이라고 생각했었기 때문에 보다 핵심적으로 의사전달을 하는 것에도 많은 시간을 할애했다. 결과적으로 이전 발표들 대비 주어진 시간동안 중요한 부분들이 전달되었던 것 같다. 물론 내 생각이지만 말이다. 결과적으로 오늘 학회 공유를 기점으로 연구에 대한 부족함도 느낄 수 있었고, 어떠한 방향으로 더 유의미한 실험들이 필요할지에 대해 정리해볼 수 있는 시간이었다. 금일 느낀 아쉬움들을 잘 정리하여 해당 연구를 의미있게 잘 마무리하고 싶다.

[청취 후기] 반도체 장비의 출하검사 데이터와 고장이력 데이터를 활용한 장비의 고장여부 및 최초 고장시점 예측 (조규원, 박경찬, 정의석, 성기석, 박진우, 강필성)

해당 연구는 최근 수행중인 프로젝트와 유사할 것 같아 찾아서 들었었다. 먼저, 많은 내용을 다루는 발표였음에도 불구하고, 조규원 연구원님께서 내용 전달을 굉장히 잘해주셔서 step by step으로 이해하며 들을 수 있었다. 더불어 반가웠던 것은 굉장히 고차원의 변수에 결측치가 많다는 점에서 수행중인 프로젝트와 굉장히 유사했다는 점이다. 또한 분석하신 방향도 현재 진행하고있는 흐름과 비슷하여 파생변수 생성관점에서 insight를 얻을 수 있었다. 발표때는 다른 질문을 드리느라 미처 질문하지 못하고 일종의 전처리 과정으로 받아들이긴 했는데, 주요변수 추출과정을 모델을 통해서가 아닌 설명변수의 분포차이로 산정한점에 대해 궁금증이 남았다. 다시한번 전체적인 분석 프로세스를 잘 전달해주시고, 여러 기법들을 활용하셨다는 점에서 흥미롭게 들을 수 있었다.

[청취 후기] 변수 간 교호작용을 반영한 합성곱 신경망 기반의 특질 추출 모델 (이수진, 백준걸)

해당 연구는 변수간 교호작용을 반영하는 합성곱 신경망 모델 구조를 제안한다. 해석이 가능한 모델의 입력 변수를 hidden layer단에서 생성해주기 때문에 model-specific하게 활용할 수 있으며 나아가 전체적인 모델 자체에 model-agnostic방법론 모두 적용할 수 있도록 고안되었다. 크게 해당 연구의 핵심은 (1) 교호작용을 적용시키기 위한 filter설계, (2)해석이 가능하도록 dense layer구조 생성이라 할 수 있다. 현재 보여준 연구의 예시로는 교호작용이 2개 이하인 경우를 다루었는데, 여러 면에서 확장이 가능하다고 생각되었다. 더불어, multivariate timeseries데이터와 합성곱 신경망이 주로 활용되는 image데이터에서의 spatially invariant 특징과 차이점을 비교하며 설명하면 기여점이 더욱 잘 보여졌을 것 같다는 생각이 들었다.