[학회 후기]

개인적으로 이번 2021년도 ICIEA 학회는 온라인으로 참가한 첫 번째 해외학회였다. 내가 진행하고 있는 연구를 온라인으로 다른 나라 연구원들에게 영어로 소개하는 자리다 보니 준비 기간 동안 조금의 어려움이 있었다. 하지만 계속해서 발표 자료를 수정하고 영어 발표 연습을 하면서 이러한 어려움은 기분 좋은 긴장감으로 잘 전환이 되었던 것 같다. 이번 2021년도 ICIEA 학회에서는 평소에 공부하고 있는 딥러닝/머신러닝 뿐만 아니라 다양한 연구 내용에 대해 들을 수 있어서 좋았다. 다양한 세션 발표를 통해서 여러 산업 분야에서 발생하는 문제를 해결하기 위해 진행되고 있는 다양한 연구 내용을 들을 수 있었다. 특히 내가 발표한 세션의 경우 COVID-19, 스마트카드, 게임 등의 분야에서 발생하는 문제를 풀기 위해 시도된 다양한 연구 내용이 발표되었다. 전통적인 통계 분석 기법을 사용해 분석한 연구, 딥러닝/머신러닝을 적용해 문제를 풀어낸 연구, 통제/실험 집단을 나누어서 실험을 진행하고 비교, 분석 진행한 연구 등이 있었다. 이렇게 여러 산업 분야에서 다양한 연구 내용을 보면서 느꼈던 점은 크게 두 가지였다. 첫 번째는 내가 전공하는 분야에 대한 기본기를 더 잘 공부해야겠다는 점이었고, 두 번째는 실제 현실에서 발생하는 여러 산업 분야와 관련된 이슈들에 대해 지속적으로 관심을 가져야겠다는 점이었다. 내가 공부하고 있는 분야는 데이터를 기반으로 미래를 예측할 수 있는 모델을 만드는 것이다. 이때, 최신의 딥러닝/머신러닝 알고리즘을 적용해서 예측 성능이 좋은 모델을 찾는 것에만 집중하다 보니 그 알고리즘 속에 존재하는 기본적인 개념에 대해 놓치고 지나가는 경우가 많다. 사실 이러한 알고리즘 속에는 다양한 수학적인 개념, 통계적인 개념, 그리고 데이터의 특성과 관련된 내용 등 다양한 기본 내용이 존재한다. 그리고 이러한 기본들이 합쳐져서 좋은 예측 모델 아이디어가 나오게 되는 것이다. 이번 학회를 통해서 이러한 기본에 대한 중요성을 다시 한번 깨닫고 이론적인 기반을 튼튼하게 만들어야겠다고 생각했다. 또 다양한 발표를 들으며, 작년부터 지금까지 이어지고 있는 현실에서 가장 큰 문제인 COVID-19, 개인을 식별하고 정보를 저장하는 스마트카드 등 최신 사회 문제와 관련된 다양한 내용이 연구되고 있다는 사실을 다시 한번 느끼게 되었다. 이러한 사회 문제에 지속적인 관심을 가지고 이를 내가 공부하고 있는 부분을 어떻게 잘 활용할지 계속해서 생각하는 것이 진정한 연구자의 자세임을 다시 한번 깨닫는 시간이었다.

[발표 후기]

1. Deep Learning for Extracting Key Factors that Influence the Outcome of the Real-Time Strategy Game, (Insung Baek, Seoung Bum Kim, Korea University, Korea)

스타크래프트2와 같은 실시간 전략 게임에서 정확하게 게임을 분석하는 것은 매우 중요한 일이다. 실시간 전략 게임에서는 적 상황과 아군 상황에 대한 정확한 분석을 기반으로 상대를 이기기 위한 전략을 끊임없이 만들어야 한다. 그리고 이렇게 정확한 게임 분석을 통해 게임을 플레이어하는 유저는 더 많은 승리를 할 수 있고, 게임 실력도 높일 수 있다. 본 연구에서는 스타크래프트2 게임에서 승패에 영향을 끼쳤던 중요한 상황을 추출할 수 있는 딥러닝 모델을 제안했다. 먼저, 3D-Resnet 모델로 게임 승패를 예측할 수 있는 모델을 구축하고, 구축된 모델에 Grad-CAM을 적용해 승패에 큰 영향을 준 주요 상황을 추출했다. 게임 승패 모델에서는 픽셀간 관계 정보를 고려해서 학습할 수 있는 non-local blocks를 활용해 예측 정확도가 90%에 근접하는 승패 예측 모델을 구축했다. 이후 승패 예측 모델의 마지막 Layer의 weight 값을 활용해서 게임 내 승패에 영향을 크게 끼친 주요 상황을 추출했고, 실제 원본 리플레이를 확인해서 추출한 주요 상황이 실제 승패에 영향을 크게 준 상황임을 확인했다. 결과적으로 제안한 딥러닝 모델이 게임 내 중요한 상황을 잘 추출함을 확인했고 이를 기반으로 유저들이 게임을 정확하게 분석해 실력을 향상할 수 있도록 도움을 주는 역할을 할 것으로 기대한다. 발표를 마친 후, 3D-Resnet 모델 외에 다른 모델을 사용해봤는지에 대한 질문을 받았고 이에 대해 3D-Vggnet, Conv-LSTM 등 다른 모델을 적용해 봤지만 성능이 좋지 않았다고 답변했다.

질문1. 3D-Resnet 모델 외에 다른 모델을 사용해봤는지?

답변1. 시간적 요소를 고려할 수 있는 3D-Vggnet, Conv-LSTM 등 다른 모델을 적용해 봤지만 성능이 좋지 않았다고 답변했다.

질문2. 사용한 입력 데이터를 제외하고 게임에서 중요한 전략, APM 같은 정보를 활용하지는 않았는지?

답변2. 해당 연구까지는 그런 데이터를 추출할 수 없어서 사용하지 못했었다. 하지만 향후에 그런 정보를 사용하면 모델 성능을 향상시키는데 도움이 될 것이라고 답변했다.

[청취 후기]

1. Markov Graph Recurrent Network for Categorical Sequence Classification, (Yoon Sang Cho, Seoung Bum Kim, Korea University, Korea)

Categorical Sequence 데이터를 분석할 때 Categorical 데이터를 one-hot encoding으로 변환하면 대부분 값이 ‘0’으로 의미 없는 정보를 가진다는 한계점을 극복하기 위해서 Markov Graph을 통해 좋은 feature 정보를 추출하고자 했다. Markov Graph을 활용해서 데이터 내에 좋은 정보를 추출하고 이를 Recurrent Network를 통해 Categorical Sequence 데이터를 분석했다. 이를 통해 입력 데이터를 one-hot encoding 했을 때보다 예측 모델의 성능이 좋아졌음을 확인할 수 있었다. 제안한 방법론을 COVID-19 데이터에도 적용해서 COVID-19를 분석하는 데에도 해당 방법론이 유용함을 보였다. Sequence가 아닌 데이터에서도 Categorical 변수가 많은 경우 이를 one-hot encoding 할 때 ‘0’이 매우 많아져 학습에 불필요한 정보가 많다는 한계가 많다. 특히 내가 연구하고 있는 스타크래프트2 게임 같은 경우에도 입력 데이터에 ‘0’ 값이 많다는 단점이 존재한다. 이러한 경우에 해당 방법론을 적용해보면 모델 성능 향상을 기대해 볼 수 있을 것 같다.

2. Evaluating the Effects of Aim Lab Training on Filipino Valorant Players' Shooting Accuracy, (Cheselle Jan Roldan, Yogi Tri Prasetyo, Mapua University, Philippines)

발로란트는 리그오브 레전드 게임 개발사로 유명한 라이엇 게임즈가 개발한 다인용 1인칭 슈팅 게임이다. 해당 연구에서는 이러한 발로란트 게임 유저들이 Aim Lab Training 효과에 따라 슈팅 정확도가 향상되는지를 분석했다. Aim Lab Training을 전혀 받지 않은 집단과 Aim Lab Training을 받게 한 집단을 나누고 이 두 집단 간의 차이가 있는지 통계적으로 검증했다. 검증 결과, Aim Lab Training을 받은 집단의 슈팅 정확도가 향상된다는 사실을 확인할 수 있었다. 해당 발표를 통해서 느꼈던 점은 특정 변화에 대한 효과를 확인하기 위해 통제/실험 집단을 나누고 그 결과를 전통적인 통계 기법을 통해 분석하는 전체적인 실험 디자인이 기본적이지만 탄탄하게 설계가 되었다는 점이었다. 연구를 진행하면서 모델의 성능이 향상되었다는 사실만을 확인하고 끝나는 경우가 많았다. 하지만 통계적 기법을 활용해 특정 변수에 의해 모델 성능이 유의미하게 향상되었다는 사실을 판단할 수 있다면 내가 도출한 결과에 대한 수치적 근거로 활용할 수 있겠다는 생각을 했다.