[학회 후기]

연구실에 들어온 지 3개월, 처음으로 학회에 참가했다. 이번 2021 대한산업공학회 추계학술대회는 코로나로 인해서 온라인으로 진행됐다. 오프라인에서만 느낄 수 있는 현장감은 못 느꼈지만, 그럼에도 불구하고 많은 사람들의 노력과 관심을 느낄 수 있었다. 연구실 선배분들 및 다른 연구원들의 발표를 들으며 정말 많은 노력을 했다는 생각이 들었다. 처음 참가하는 학회여서 조금은 어색하게 들었으나, 들으면 들을수록 재미있는 주제와 흥미로운 주제들이 많았다. 게다가 이번 학회에서 개인적으로 세운 목표는 다음부터 진행될 연구에 대한 인사이트를 얻는 것이었는데 목표를 조금이나마 달성할 수 있었다. 당장 내년 이맘때 내가 이곳에서 발표를 진행할 것이라고 생각하며 연구에 정진해야겠다고 생각했다.

[청취 후기]

- Semi-Supervised Learning Using Bayesian Neural Networks (이민정, 배진수, 김성범 - 고려대학교)

Bayesian Neural Network를 이용하여 self supervised learning을 좀 더 안전하게 진행할 수 있게 해주는 연구이다. 딥러닝이 발전하면서 더 질좋고 많은 데이터들을 요구하고 있다. 레이블링된 데이터를 수집하는 것은 쉽지 않은 일이다. 그래서 사람들은 self supervised learning을 통해 레이블링이 되어있지 않은 데이터로도 학습할 수 있게끔 연구한다. 하지만 이 역시 데이터들이 mismatch한 상황들이 많아서 현실에 적용하기에는 쉽지 않은 상황이 일반적이다. 이 연구에서는 이를 해결할 수 있는 방법을 제시하고 있다. 연구에서 제시하는 인사이트는 크게 2가지이다. Bayesian Neural Network를 사용하여 단순히 예측값만 output으로 도출하는 것이 아닌, 불확실성까지 output으로 도출해서 불확실성이 threshold를 넘을 시 이에 대해서도 필터링을 할 수 있게 하는 것이다. 두 번째로 불확실성을 높이는 노이즈 추가를 통한 데이터 증대 방법을 제시한다. 앞서 모델이 output으로 불확실성을 도출하기 위해서는 이에 대한 학습이 필요하다. 따라서 지금까지의 augmentation이 아닌 기존의 데이터에 uncertain noise를 추가하여 데이터에 불확실성을 넣는다. 모델은 이 데이터로 학습하므로써 더 강건해질 수 있다. 1년, 1년이 지나면서 딥러닝은 굉장히 빠르게 발전하고 있다. 그러나 레이블링된 데이터는 이를 제대로 따라가지 못한다. 앞으로에 있어서 레이블링이 되지 않은 상태에서 훈련을 진행하는 상황이 더 많아질 것으로 예상하는데 그 때 꼭 필요한 방법이 아닐까 생각한다.

- 자기지도 학습법을 활용한 실시간 전략 게임 내 가려진 적 정보 예측 (백인성, 배진수, 정기원, 이영재, 조억, 김재훈, 김성범 - 고려대학교)

Game AI를 통해 가려진 적에 대한 정보를 예측해보는 연구이다. 이 연구는 스타크래프트2를 바탕으로 진행됐다. 스타크래프트2의 경우, 굉장히 방대한 정보를 담고 있으며, 단순히 멈춰 있는 것이 아니라 시시각각 변하기 때문에 연속적인 데이터이기도 하다. 모델 자체는 Encoder-Decoder구조인 3D-Deeplab V3모델을 사용했으며 특징 공간을 학습하기 위해 MoCo 알고리즘을 사용했다. 데이터의 경우, 현재부터 이전 5시점에 대한 데이터만을 input으로 집어넣었으며, 플레이 패턴에 대해 효과적으로 feature를 뽑기 위해서 Contrastive learning 알고리즘을 적용했다. 또한 단순히 5시점에 대한 데이터로는 전장에서 피아식별에 대해서 부족하므로 여기에 피아식별 정보까지 넣어주어야 한다. 꽤나 오래전부터 우리나라 게임산업은 대단했다. 이러한 AI 기술이 접목되면 게임을 처음 접하는 사람들도 좀 더 쉽게 다가갈 수 있을 것으로 보인다. 뿐만 아니라 게임이라는 산업이 더 크게 성장할 수 있는 방법 중 하나로 보여서 정말 재밌게 들었다.