[학회 후기]

2021년 제주도에서 열린 춘계공동학술대회는 온라인과 오프라인을 병행해서 진행되었다. COVID-19 시대가 된 지 어느새 2년이 흘렀다. 그동안 국내/해외 학회는 대부분 온라인으로 진행되었다. 대부분 학회에서 온라인으로 발표를 진행하다 보니 오프라인으로 학회를 진행한다는 것 자체가 조금 어색하기도 했다. 하지만 이번 2021년 춘계공동학술대회에서 다시 오프라인으로 청중들 앞에 서서 발표를 진행하고 청중들과 소통할 수 있어서 좋았다. 그리고 오프라인에서만 느낄 수 있는 그 학회만의 특색을 느낄 수 있어서 좋았다. 학회는 온라인으로도 병행해 진행되었지만 내 예상보다 더 많은 사람이 제주도에 직접 찾아와 오프라인으로 학회에 참석했었다. 나 같은 경우에는 구두 발표가 본격적으로 진행된 첫날인 6월 3일 첫 번째 세션에서 발표했는데, 첫 세션임에도 불구하고 여러 사람이 세션장에 찾아와 발표를 듣고 질문을 해주어서 좋았다. 이번 2021 춘계공동학술대회는 대한산업공학회와 한국경영학과학회가 함께 진행한 학술대회였다. 이렇게 두 학회가 공동으로 주최하는 학술대회는 처음으로 참가해보았는데, 두 학회가 함께 진행해서 발생하는 시너지가 큰 장점이었다고 생각했다. 인공지능을 공부하고 있지만, 인공지능의 알고리즘을 연구하는 것뿐 아니라 다양한 산업 분야에서 발생하고 있는 이슈 및 연구들도 잘 알아야 한다고 생각한다. 이번 학술대회는 다양한 산업 분야에서 진행되고 있는 좋은 연구들을 들을 수 있었다. 특히 개인적으로 금융 산업 분야에 흥미를 느끼고 있는데, 관련된 연구들을 들을 기회가 있어서 좋았다. 특히 튜토리얼 시간을 통해 금융공학의 기본 개념, 블록체인에 대한 기본 개념 등을 들을 수 있었고 이러한 내용은 앞으로 금융공학 AI를 공부하는 데 큰 도움이 될 것 같다. 이뿐만 아니라, 인공지능 관련된 다양한 연구들을 통해서 Attention, Self-supervised Learning, Grad-CAM과 같은 알고리즘이 적용된 내용을 들을 수 있었고, 이는 내 공부의 시야를 넓히는 데 큰 도움이 될 것 같다. 이번 학술대회에서는 금융공학에 대한 기본 지식을 배울 수 있는 시간이었고, 앞으로 금융공학에 A.I.를 적용하기 위해서는 먼저 해당 분야에 대한 산업 지식을 더 높여야 한다고 생각했다. 따라서 이번 학술대회 이후 금융 관련 산업 지식을 먼저 더 공부할 것이고, 해당 분야에서 인공지능을 통해 해결할 수 있는 문제는 무엇인지를 먼저 찾을 것이다. 그리고 추후에는 정의한 문제를 풀기 위한 인공지능 모델을 개발하는 연구를 진행해볼 생각이다.

[발표 후기]

1. 딥러닝 모델을 활용한 실시간 전략 게임 내 가려진 적 정보 예측(백인성, 배진수, 정기원, 이영재, 조억, 김재훈, 김성범)

StarCraft II 게임에 딥러닝 모델을 적용해서 안개로 가려진 적의 정보를 예측하는 연구를 발표했다. StarCraft II 게임은 실시간 전략게임으로 내 정보와 적의 정보를 함께 고려해 게임에서 승리할 수 있는 전략을 세우는 것이 핵심이다. 하지만 StarCraft II 게임에서 적 정보는 안개에 가려져 정확하게 알 수 없기 때문에 적 정보를 고려해서 게임 승리 전략을 세우는 것은 어려운 일이다. 본 연구에서는 내가 가지고 있는 한정된 정보만으로 적 정보를 정확하게 예측해서 게임 플레이어가 승리할 수 있는 확률을 높이고자 한다. 본 연구의 핵심 아이디어는 크게 두 가지다. 실제 게임에서 플레이어들은 예측 시점 이전에 게임 정보들을 고려해서 상대 정보를 예측하게 된다. 이 부분을 적용하기 위해 예측 시점 이전 5시점 정보를 함께 고려해 입력 데이터로 활용했다. 또한, 모델이 학습할 때, 도움이 될 수 있는 Semantic 정보를 추가 입력 데이터로 활용했다. 여기서 Semantic 정보는 아군, 적군을 구별할 수 있는 정보를 의미한다. 최종적으로 단일 시점 정보만을 입력 데이터로 활용해 예측했던 딥러닝 모델 결과보다 과거 시점 정보를 활용하고, Semantic 정보를 추가로 활용했을 때, 가장 좋은 성능을 보였다. 마지막으로 유닛, 건물별로 예측한 이미지 결과를 통해 본 결과가 유의미함을 증명하였다. 

질문1. 추후 연구에서 더 성능을 높이기 위해 진행할 부분은 무엇인가?

답변1. 게임에서 유닛, 건물이 없는 pixel이 더 많기 때문에, 추출한 데이터 내에 ‘0’이 매우 많아 sparse하다는 단점이 있다. 이 점을 해결하기 위한 추가 방안을 고민중이다. 그리고 Semantic 정보를 딥러닝 모델 Decoder 앞 부분에 넣어서 결과를 비교했는데, Semantic 정보를 더 잘 활용할 수 있는 방안에 대해서도 고민하고 있다.

질문2. 데이터가 sparse하다는 단점을 해결하기 위해 적용할 방법은 무엇인가?

답변2. Embedding layer를 활용해볼 예정이다. Embedding layer를 통해 차원을 축소해 ‘0’이 많다는 단점을 해결해 의미 있는 숫자로 바꿔서 모델링을 진행해 볼 예정이다

[정취 후기]

1. Multivariate Time Series Classification based on Attention and Self-Supervised Learning using Sample Bootstrapping(조억, 김성범)

다채널 시계열 분류 문제를 해결하기 위해서 Attention Mechanism, Self-supervised Learning, Sampling 방법을 적용한 연구 발표였다. 해당 연구에서는 시계열 데이터 중에서 입력 데이터의 length는 길지만 사용할 수 있는 데이터의 양이 적다는 문제를 해결하기 위해서 위에 언급한 3가지 방법을 적용했다. 데이터의 양 자체를 늘리기 위해, length가 긴 데이터를 잘라서 sampling을 진행했다. 그리고 시계열 데이터의 시간적 특성을 잘 반영하기 위해 temporal attention mechanism을 활용했다. 마지막으로 모델이 학습할 때, 입력 데이터 내에 좋은 특징을 잘 추출하기 위해서 Self-supervised learning 방법론 중 하나인 MOCO 알고리즘을 적용했다. MOCO 알고리즘을 적용할 때, positive pairs는 augmentation 기법을 활용하지 않고 length가 긴 시계열 데이터 내에서 sampling한 데이터를 사용했다. 이러한 다양한 기법을 통해 여러 데이터에서 모델 성능이 개선됨을 확인할 수 있었다.