11월 26일 온라인으로 진행된 한국데이터마이닝 학회에 참석하였다. 일부 인원만 특정 장소에 모여서 오프라인으로 진행하고 나머지 인원에게는 온라인으로 송출되었다. 매번 데이터마이닝학회에서는 작지만 단단한 연구 내용들을 살펴볼 수 있었고 이번 역시 마찬가지였다.

[청취 후기] LSTM 기반 딥러닝을 이용한 일사량 이미지 생성 - 이준걸, 박성훈, 김태형, 김창기, 한성원 (고려대학교, 한국 에너지연구원)

 우리 연구실과 한성원 교수님 연구실이 협업하여 프로젝트를 진행하며 알게 된 이준걸 학우의 발표였다. 여러가지 Semantic Segmentation 모델을 변형해 여러 시점에 대한 출력 값을 LSTM을 이용해 생성하고 이러한 모형 세개를 앙상블하여 최종적으로 일사량 이미지를 생성한 연구였다. 일종의 Pixel by Regression을 진행하고 이것을 앙상블한 것이 해당 연구의 기여점이라고 할 수 있었다. 아쉬운 점은 Semantic Segmentation과 같은 모델 구조는 엄청나게 많은 파라미터를 가지기 때문에 큰 배치 사이즈를 가져갈 수 없고, 세 개의 모델을 동시에 학습 할 수 없을 것으로 생각하였다. 앙상블 구조의 모델을 제안한 것은 분명히 매력적이었으나, 이를 학습시키기 위한 학습 과정을 상세히 설명해주었다면 실용적으로 해당 방법론을 사용할 수 있을 것으로 기대한다.

[청취 후기] Variational AutoEncoder와 Isolation Forest 기법을 활용한 설비 고장 전조증상 탐지 - 최희정, 김동화, 김정희, 김지나, 황화원, 박현지, 김요진, 이승혜, 강필성 (고려대학교, 한화시스템/ICT)

 이번에도 나만 보면 웃으면서 도망가는 강필성 교수님 연구실의 최희정 연구원 발표를 청취하였다. 설비 고장에 대해 사전에 탐지하는 것은 유지 보수 분야(Prognostics and Health Management, PHM)에 해당하며 각종 제조업, 서비스업, 의료 등 분야를 가리지 않고 모두 중요하게 생각하고 있다. 특히 정상 구간, 전조 증상 구간, 이상 구간을 탐색적 데이터 분석을 통해 정의하고 학습 데이터를 복원하는 Variational AutuEncoder(VAE)를 학습하였다. VAE가 복원하지 못하는 부분은 전조 증상 구간, 이상 구간이라고 가정하는 연구였다. 또한 VAE의 Encoder로 요약된 특징들을 Isolation Forest로 관측치 별 스코어를 산정하고 이를 전조 증상 구간과 이상 구간으로 나눈 연구였다. 시간 문제 상 질문을 할 수 없는 상황이었는데, 여기 기록해두었다가 직접 만나게 되면 물어보아야 겠다. 왜 굳이 VAE를 정상 구간을 복원하는 모델로 사용하였는지 첫번째 의문이었다. VAE가 아니더라고 다른 AutoEncoder는 많은 것으로 알 고 있는데 특히 VAE를 사용한 이유가 가장 궁금하였다. 또한 Isolation forest를 이용해 어떻게 스코어를 산정했는지 자세히 듣지 못했는데 이에 대해서도 다시 한 번 물어보아야 겠다. 현재 나의 개인 연구에서 VAE를 사용하고자 하는데 질문을 통해 나에게도 많은 도움이 될 수 있을 것 같다.