[학회 후기]

 2021년 대한산업공학회 추계학술대회는 입학 후 처음으로 참여한 학회로 개인적으로 큰 의미를 갖는다. 세션 구성표를 보며 각 세션마다 다양한 주제가 준비되어 있고, 정말 많은 사람들이 여러 분야에서 연구를 수행하고 있다는 것을 느낄 수 있었다. 특히 "디지털 전환 시대의 산업공학"을 주제로 진행된 학회인 만큼 메타버스와 관련된 흥미로운 내용도 많이 접할 수 있었다. 메타버스를 주제로 한 기조 강연이 기억에 남는데, 내가 생각했던 것보다 훨씬 다양한 분야에서 메타버스가 활용되고 있다는 것이 많이 새로웠다. 학회 발표 경험이 전혀 없었기 때문에 발표 자료 구성부터 발표 준비 과정까지 걱정도 되고 어려운 부분도 있었는데 다른 연구원분들의 조언과 도움을 받으며 발표를 잘 마친 것 같다. 코로나 사태로 많은 인원이 온라인으로 참여하게 되어 실제 현장감을 피부로 느끼지 못한 것이 아쉬우면서도 첫 학회를 준비하며 느꼈던 부담과 긴장은 오래 남을 것 같다.

[발표 후기]

 - 멀티 레이어 정보를 활용한 다채널 시계열 센서 데이터 오픈셋 인식

 대량의 데이터가 딥러닝 모델 학습에 사용되며 딥러닝 모델이 우수한 성능을 자랑하고 있으며 여러 분야의 분류 문제에 사용되고 있다. 하지만 딥러닝 모델은 학습한 데이터 분포에는 굉장히 높은 예측력을 보일지라도 학습한 분포와 다른 분포를 보이는 데이터에 대해서는 기존에 학습한 클래스 중 하나로 예측하는 문제가 발생한다. 이러한 문제를 해결하기 위해 등장한 연구 분야가 오픈셋 인식이며, 학습에 사용되지 않았던 새로운 클래스의 데이터가 입력되면 학습한 클래스 중 하나로 오분류하는 것이 아니라 학습하지 않은 클래스로 분류하는 것을 목표로 한다. 하지만 해당 분야의 연구는 이미지 데이터 위주로 수행되어 왔고, 이미지 데이터에 우수한 성능을 보이는 여러 방법론들이 존재한다. 학습하지 않은 클래스를 오분류하는 문제는 이미지 데이터뿐만 아니라 센서 데이터에서도 발생하는 문제이기 때문에 최근 이미지 데이터에 높은 성능을 보인 방법론 중 하나를 기반으로 멀티 레이어 정보를 활용한 다채널 시계열 센서 데이터 오픈셋 인식 방법론을 제안하고자 한다. 모델 레이어를 통과하며 센서 데이터의 특징이 잘 추출될 수 있도록 모델의 전반적인 구조를 변경하고, 입력층과 가까운 레이어는 각 센서마다 신경망 구조를 형성하여 각 센서의 로컬한 특징이 잘 추출될 수 있도록 하였다.

질문 1 : Unknown 탐지 과정에서 멀티 레이어 정보를 함께 사용하여 거리를 측정하게 되면 특징이 완벽하게 추출되지 않은 로짓벡터도 포함되어 거리 계산이 될 수 있지 않은가?

답변 : 해당 방법론을 처음 적용했을 때 동일한 의문을 가졌으나, 일반적인 분류 모델의 학습 loss와는 다르게 멀티 레이어의 요약 정보가 잘 추출될 수 있도록 학습 loss에 reconstruction error(입력값과 유사한 출력값 복원을 위한 loss)를 함께 사용하기 때문에 유의미한 멀티 레이어 정보가 unknown 탐지에 활용될 수 있다고 판단하였다.

질문 2 : 기존 방법론을 변형하며 학습 시간이 많이 증가하지는 않았는가?

답변 : 레이어가 추가되며 학습 시간이 조금 증가하긴 하였으나 현재 수행한 실험에서는 큰 차이 없다.

[청취 후기]

- 시계열 데이터 분류를 위해 교각행렬을 적용한 GAF 기반 시계열 이미지 변환 GAF-Based Time Series Imaging Transformation Applying Angle of Intersections Matrix for Time Series Classification(정용곤, 백준걸 - 고려대학교)

 시계열 데이터 분류 모델 구축 시 기존 연구들은 푸리에 또는 웨이블릿 변환을 통해 시계열 데이터를 2차원 이미지로 변형하여 모델 학습에 사용하였다. 하지만 해당 방법은 시간 정보가 사라지거나 설정한 구간에 따라 성능이 크게 바뀐다는 단점이 존재하기 때문에 이를 개선하기 위해 시계열 정보가 추가적으로 잘 추출될 수 있는 방법론을 제안한 연구이다. 현재 시계열 센서 데이터에 관심을 갖고 연구를 진행하고 있기 때문에 흥미롭게 들을 수 있었던 주제였고 특히 모델 성능 향상을 위한 접근이 내 연구와는 다른 방식인 것이 인상 깊었다. 내가 제안하고자 하는 방법론은 시계열 데이터의 특성이 잘 추출될 수 있도록 모델의 구조를 변경하는 것이었는데, 해당 연구는 모델의 구조가 아닌 시계열 데이터 전처리 방법을 개선하여 모델의 성능을 높였다. 항상 모델 구조를 어떻게 변형해야 데이터의 특성이 잘 추출될 수 있을까를 고민해왔던 것 같은데, 해당 연구 내용을 듣고 모델 구조뿐만이 아니라 데이터의 전처리 방법 또한 모델 성능 향상에 큰 도움이 될 수 있다는 것을 다시 느낄 수 있었다. 

- 학습하지 않은 사람의 새로운 행동 유형을 분류하기 위한 오픈셋 분류 모델(김태연, 김성범 - 고려대학교)

 오픈셋 분류 모델 구축이라는 매우 유사한 주제이고, 실험 데이터셋도 유사한 데이터셋을 사용하고 있기 때문에 내 연구와 어떤 공통점과 차이점이 있는지를 중점으로 청취하였다. 웨어러블 기계가 발전하며 사람의 행동을 인식하여 운동량을 측정하고, 위급 상황을 감지하는 등 다양한 서비스가 제공되고 있다. 하지만 이 또한 학습된 행동만 제대로 분류할 수 있고 학습하지 못한 행동은 분류하지 못하기 때문에 학습하지 못한 실제 위급 상황 등을 감지하기엔 한계점이 있다. 이러한 문제점을 해결하기 위해 손실 함수를 변경하여 더 높은 성능의 오픈셋 분류 모델을 구축하고자 하는 연구이다. 실험 데이터셋이 학습한 클래스 간에도 높은 유사성을 갖는 특성이 있기 때문에 학습하지 않은 클래스뿐만 아니라 학습한 클래스마다의 특성 또한 잘 추출될 수 있도록 많은 고민을 해온 것 같다. 나도 지금 하는 연구에서 모델 구조뿐만 아니라 손실 함수를 개선하면 더 높은 성능을 기대할 수 있지 않을까 생각을 해왔는데 이렇게 유사한 주제에서 손실 함수에 아이디어를 적용하는 접근이 좋은 자극이 되는 것 같다.