[학회 후기]

 2021 INFORMS Annual Meeting은 코로나19로 인해 온라인-오프라인 병행하는 학회 형태로 개최되었다. 백신 접종 후, 출국하고자 하였으나 2차 백신 접종 예약에 실패해 가지 못한 아쉬움이 크다. 직접 학회 장소에 참석하여 발표하지 못한 아쉬움이 크다. 내년 미팅을 위해서 차근차근 연구 내용 준비, 영어 발표 준비를 진행하였다. 대한민국과 미국 사이 시차 존재로 인해 발표는 오후 10시반에 시작되었다. 해당 시각에 발표해본 적도 처음이고 영어 녹화 발표도 특이해서 추억 한편에 자리 잡을 학회였다. 아시아 권역 학회 발표에 이어 세계 권역 발표를 진행하면서 연구를 임하는 자세, 책임감 등에 대해 다시 생각해 볼 수 있는 좋은 학회로 평가하고 싶다.

[발표 후기]

1. Self-supervised representation learning for anomaly detection and segmentation

이상 탐지 및 이상 지역 탐지 문제는 제조업 뿐만 아니라 모든 분야에서 화두이다. 정상 데이터만 다수 존재하고 이상 데이터는 일부 존재하고, 이상 데이터 형태를 규명하기 어렵다는 특징이 있다. 그래서 정상 데이터들의 분포를 정확히 모델링하여 이상 데이터는 정상 데이터와 멀리 존재하도록 하는 것이 핵심이다. 또 다른 어려움으로 학습 단계에서 이상 데이터를 활용하지 못하는 상황임을 가정해야 하기에 해당 문제는 굉장히 어려운 문제로 인식되고 있다. 해당 문제를 해결하기 위해 필자는 적대적 생성 신경망 모델을 활용하였다. 생성 모델로는 U-Net을 사용하였고, 기존 적대적 생성 신경망과 달리 두 개의 판별자를 사용하였다. 판별자 두 개는 전역 판별자와 지역 판별자로 구성되어 있다. 전역 판별자는 입력 이미지 내 이상 존재 여부를 인식하는 판별자이다. 지역 판별자는 이미지 내 특정 영역을 입력 받아 해당 영역 내 이상 존재 여부를 인식하는 판별자이다. U-Net 학습 시에는 입력 이미지 내 마스크를 입혀 이를 복원하고자 하는 형태로 학습을 진행했다. 생성 모델을 우선 학습하고 두 판별자를 학습하는 적대적 학습을 이용해 세 모델 학습을 진행하였다. 이러한 방식을 통해 기존 방법론 대비 AUROC 값이 이미지 내 이상 여부 예측 성능에서 큰 향상을 이루었다. 하지만 픽셀 단위 이상 여부 예측에서는 15개 품목 중 5개만 우수한 성능을 보임을 확인했다. 이를 추후 개선할 필요가 다분하다. 

질문 1: 판별자들의 수렴이 잘 이루어 졌는가?

답변: 지역 판별자에 대해서는 정확히 모델이 헷갈리고 있음을 확인하였다. 수렴을 잘하였다. 하지만 전역 판별자에 대해서는 손실 함수 기준 0.60 수준에 머무르면서 정확히 수렴했다고 보기는 어려웠다. 정확히 수렴했을 때 약 0.68 정도의 손실함수 값이 나와야한다.

질문 2: Ablation study는 진행해보았는가?

답변: 이 부분에 대해서는 추후 실험할 예정이다.