2021년 ICIEA 학회는 COVID19의 세계적 확산으로 인해 온라인으로 개최되었다. ICIEA 학회는 산업 공학에서 다루고 있는 문제인 생산, 최적화, 제품 개발 전반에 관한 연구 내용을 공유하고 향후 계획에 대해 토의를 하는 학회였다. 또한, 제조 산업 내 각종 문제 상황을 정의하고 이를 최적화, 통계, 기계학습을 사용해 해결하려는 연구 역시 볼 수 있었다. 산업 공학 내용이 주된 학회여서 기계학습 기반 문제 해결 사례는 상대적으로 적어 아쉬웠지만 산업 공학 석·박사 통합 과정을 진행하고 있는 나에게는 산업 공학 기본에 대해 많은 가르침을 주는 학회였다.

[발표 후기] 4월 25일 (일) 오후에는 Session 4에서 발표를 하였고, 같은 Session 내 다른 발표들을 청취하였다. 발표 내용은 SSL을 활용한 소음 디자인과 관련한 연구였다. 레이블이 있는 소리와 레이블이 없는 소리 모두 존재하기 때문에 SSL 기반 소음 분류 모델을 제안하기에 적합한 상황이었다. 연구 내용 발표 시, 심층 신경망 가중치 학습 방법 세 가지를 제안하였다. 가중치 학습 시 사용하는 오토인코더(Autoencoder)의 입력 데이터 왜곡을 발생시켜 소리를 효율적으로 추출하고자 하였다. 우선 시간 축을 기준으로 특징 벡터를 제거하고 오토인코더를 통해 제거한 영역을 복원하고자 하였다. 다음으로 시간 축의 역순으로 특징 벡터를 구성하고 이를 올바른 방향으로 복원하는 오토인코더를 학습하였다. 마지막으로 앞선 두 방법을 결합하는 오토인코더를 학습하였다. 심층 신경망 가중치 학습을 마무리 후, 원래 해결하고자 하는 소음 분류 모델에 해당 가중치를 전이(Transfer)시킨 뒤 미세 조정(fine-tune)을 진행하였다. 미세 조정 없이 처음부터 학습한 경우보다 제안 방법론을 통해 소음 유형 분류 모델 학습 시 뛰어난 분류 성능이 보임을 확인하였다. 또한, 제안 방법론끼리 비교를 통해 두 가지를 결합하는 방식이 뛰어남을 실험을 통해 증명하였다.

[청취 후기] 유사 연구로는 Self-supervised representation learning for predicting game play patterns and proficiency이라는 연구가 있었다. 해당 연구에서는 SSL 내 Pretext task와 반대 성향인 Contrastive learning을 적용하여 게임 리플레이 데이터의 전반적인 특징을 나타내는 표현 벡터를 학습하여 이들의 군집 분석을 통해 숙련도를 나타내는 연구였다. 해당 연구를 추후 참고할 수 있을 것으로 생각한다.