[학회후기]

금년 대한산업공학회에서 주최한 춘계학술대회는 온라인과 오프라인을 병행한 하이브리드 방식으로 진행되었다. COVID-19시대가 도래한 이후로 항상 온라인으로 학회에 참석하곤 했는데, 금년 춘계학술대회는 오프라인으로 참석했다. 이번 학회에서 6월 4일 금요일 오후에 발표를 하게 됐는데 간만에 청중들을 직접 대면하며 발표하게 되니 감회가 새로웠다. 확실히 오프라인 학회는 직접 소통을 통해 발표와 청취를 하니, 더욱 성실히 질문과 답변을 준비할 수 있었다. 어서 COVID-19의 영향에서 벗어나 오프라인 학회의 활성화되길 바란다.

또한 발표를 준비하며 진행 중이던 연구를 정리하면서 구체화할 수 있었고, 발표에 대한 피드백으로 인해 추후 연구 적용 방향에 대해 힌트를 얻을 수 있었기에 이번 학회의 참석이 연구 진행에 큰 도움을 줬다. 그리고 2박 3일간 학회를 참여하였기에 발표 시간 외의 시간에는 여러 세션에 참여하여 다양한 연구 발표를 청취할 수 있었다. 각지의 연구 결과물에 대한 발표는 연구자들의 연구 열정을 강하게 느끼게 했고, 다시금 내 연구 동력에 불을 붙였다.

[발표후기]

발표를 통해 실제 산업 현장에서 수집된 알람 프로세스 데이터로 도출한 실험 결과를 공개하였고 제안 방법론이 클래스 불균형 문제를 해소했음을 증명하였다. 해당 세션에는 이상치 탐지를 연구하는 연구자들이 주를 이루었던 까닭에 이상치 탐지 문제에서 빈번하게 대두되는 클래스 불균형을 다루는 본 발표에 대한 관심이 높았다. 특히, 데이터 보강 기법을 통해 클래스 불균형 문제를 해결한 연구자와 같은 세션에서 발표를 했는데 데이터 특성에 따른 두 방법론의 비교를 토론할 수 있어 더욱 의미있는 시간이었다.  또한 실험의 설계, 연구의 기여점에 대한 발표 피드백은 향후 연구 계획을 고심하게 됐다.

먼저 연구의 방향을 데이터의 특성에 맞춘다면, 시그널 데이터에 더욱 특화된 알고리즘을 추가하여 시그널 데이터에 특화된 클래스 불균형 해소 기법에 대한 연구로 발전시킬 수 있을 것 같다. 또 다른 측면으로 생각하면 일반적인 학습 전략 방법론 개발에 연구의 초점을 두어 벤치마크 데이터셋에 본 방법론을 적용하여 일반적인 성능을 검증해야 하고 수학적 논리에 기반을 둔 방법론 보강이 필요할 것이다. 향후 두 갈래의 방향을 각각 병렬적으로 진행하며 검증을 진행할 예정이며, 길이 조금 더 뚜렷해 졌을 때 연구 방향을 한쪽으로 확실히 결정할 예정이다.  

[청취후기]

의료영상 분할 모델의 예측 불확실성 정량화 기법 비교 연구 (김재호, 강현구, 강석호, 오규협)

올해 초에 의료 데이터 Image Segmentation Task를 경험할 기회가 있어 관련 연구를 진행하고 있었기에 두 발표 모두 흥미로웠다. 특히 “위내시경 영상 분류의 판단 근거 도출을 위한 설명 기법 비교” 연구는 최근 참여하고 있는 프로젝트에서 다루고 있는 XAI 문제와도 닿아 있었다. 진행 중인 프로젝트에서는 Auto Encoder 기반의 이상치 탐지 모델에서 XAI를 적용해야 하기에, Encoder-Decoder 구조의 Network에서 XAI를 적용할 방법론을 연구 중에 있었는데, 일반적으로 Encoder-Decoder 구조를 활용하는 Image Segmentation Task에서 CAM 기반 방법론을 어떻게 적용하였을지 궁금하여 세션 발표를 청취하였다. 다만 아쉽게도 발표를 들어보니 연구자는 Segmentation Task 중심이 아닌 Classification Task 중심으로 연구를 수행했기에 Encoder-Decoder 구조를 활용하지 않은 일반적인 CNN 모델에 CAM 기반 방법론을 적용하였다. 궁금증에 대한 답은 얻지 못했으나 여러 가지 CAM 기반 방법론에 대한 이해를 넓힐 수 있어 유익한 발표였다.

불확실성 인식 어텐션 메커니즘을 활용한 미학습 범주 탐지 방법론 (이지윤, 김성범)

본 연구에서는 베이지안 딥러닝 기반의 알고리즘을 통해 불확실성을 제공하고, 불확실성의 정도에 따라 학습한 클래스의 데이터 여부를 판단할 수 있는 방법론을 제시하였다. 모델이 학습하지 않은 클래스의 데이터를 판단하기 위해 Open-set Recognition 알고리즘이 연구되고 있는데, 최근 연구의 흐름도 베이지안 딥러닝 기반의 구조를 활용하는 방안으로 흘러가고 있다. 발표를 청취하며 불확실성에 대한 해석과 불확실성이 높은 데이터일수록 모델이 학습하지 않은 종류의 데이터라는 논리적 흐름이 와닿았고, 여러 시나리오를 구성하기 위해 직접 설계한 실험이 흥미로웠다.