[학회 후기]

이번 2022 대한산업공학회 춘계학술대회는 제주도에서 오프라인으로 진행되었다. 온라인으로 진행되었던 작년 추계학술대회랑 비교했을 때 발표에 대한 부담도 크고 긴장도 많이 됐지만 현장에서 발표를 직접 듣고 피드백을 나눌 수 있어 좋았다. 정말 많은 사람들이 다양한 주제로 참여해서 어딜 가든 북적거리던 학회장이 기억에 남는다. 세션마다 많은 사람들이 자리를 채워서 놀라웠는데, 코로나로 실감하지 못했던 연구에 대한 열정이 느껴졌던 것 같다. 발표를 앞두고 세션 플로어를 돌아봤을 때 생각보다 많은 청자에 조금 긴장되기도 했지만, 함께 있어준 연구실 동료들 덕에 자신감을 갖고 발표를 진행할 수 있었다. 코로나 때문에 연구실 인원들과의 추억이 늘 부족하다고 생각했는데 제주도에서 다 같이 발표도 하고 맛있는 것도 먹고 좋은 추억을 만들고 온 것 같다.

[발표 후기]

이번 학회는 '다중 특징 추출 정보 및 재구축 오차를 활용한 다변량 시계열 데이터 오픈셋 인식'을 주제로 발표하였다. 오픈셋 인식이란, 학습 데이터에 속해있는 클래스(known 클래스)가 아닌 새로운 클래스(unknown 클래스)가 테스트 데이터에 속해있을 때 모델이 unknown 클래스를 known 클래스 중 하나로 오분류하는 현상을 방지하고자 모델에 unknown 탐지 기능을 추가하는 연구 분야이다. 내가 진행한 연구는 이미지 데이터 위주로 발전해 온 오픈셋 인식 분야를 다변량 시계열 데이터로 확장한 연구이고, 다양한 방식으로 추출된 피처가 unknown 탐지에 활용된다면 모델 성능 향상에 기여할 수 있음을 보인다. 기존에 이미지 데이터에서 좋은 성능을 보인 모델 구조를 기반으로 센서별 고유의 특징이 추출될 수 있도록 센서별 1D CNN을 추가하였고 잠재 표현 정보(latent representations)가 unknown 탐지에 더 많이 활용될 수 있도록 max pooling 레이어를 추가하였다. 또한 재구축 오차를 기반으로 설정된 unknown 탐지 기준을 통해서 known 성능은 유지하되 더욱 강건한 unknown 탐지 성능을 이끌어냈다. 다수의 오픈 데이터셋에 제안 방법을 적용해 본 결과, 여러 데이터셋에서 성능이 향상됨을 확인하였다. 하지만 다양한 피처 추출을 위해서 모델 내 추가된 다수의 레이어로 인해 베이스라인 모델보다 연산량이 훨씬 증가한다는 한계점이 있다. 이러한 한계점을 개선할 수 있는 방안에 대해서 아이디어를 제시하고 구현했다면 더 탄탄한 연구가 되지 않았을까 하는 조금의 아쉬움이 남았다.

질문 1 : 재구축 오차를 활용한 threshold가 어떻게 계산되는 것인가?

답변 : 학습 데이터 샘플들의 재구축 오차를 모두 구한 뒤, 정답 클래스로 잘 분류된 샘플들 중 가장 큰 값의 재구축 오차를 각 클래스의 threshold로 정의하였다.

질문 2 : 잠재 표현 정보 추출 시 활용되는 max pooling의 kernel 사이즈는 어떻게 설정하였는가? 실험적으로 결정된 사이즈인가?

답변 : max pooling의 kernel 사이즈는 여러 값을 시도해 보지는 못하였고, 기본적으로 많이 사용되는 값으로 설정하였다.

질문 3 : unknown 탐지 후 unknown으로 분류된 샘플들 각각의 클래스들을 새롭게 정의할 수 있는가?

답변 : 해당 연구는 unknown 탐지만 수행되고 그 이후 unknown 샘플들에 대한 클래스 정의는 진행되지 않는다. unknown 샘플들의 클래스를 정의해 주는 연구 분야는 따로 존재하며 향후 해당 연구를 발전시킬 수 있는 방향 중 하나라고 생각한다.

질문 4 : unknown 탐지 시 openmax에 의한 unknown 탐지 성능과 재구축 오차 threshold에 의한 unknown 탐지 성능을 비교했을 때 어떤 것이 더 높은 성능을 보이는가?

답변 : openmax를 활용한 unknown 탐지와 재구축 오차 threshold를 활용한 unknown 탐지를 각각 따로 비교 실험해 보지는 못하였다. 하지만 openmax를 통해서 unknown 탐지를 수행한 후, 재구축 오차 threshold로 한 번 더 unknown 탐지를 수행했을 때 known 클래스에 대한 분류 성능은 유지하면서 unknown 탐지 성능이 향상하는 것은 확인하였다.

[청취 후기]

1. 외조기 공정에서의 상관관계를 고려한 조기 이상 감지 방법론 - 노승찬, 정용곤, 김주은, 백준걸 (고려대학교 산업경영공학과)

해당 연구는 공장에 신선한 공기를 공급하기 위한 외조기 공정에서 수집된 센서 데이터를 대상으로 한다. 공정의 신뢰성 향상 및 유지보수 비용 절감을 위해 조기에 이상을 감지하는 방법론을 제안하며, 이를 위해 이상 발생 시 급격한 변동을 보이는 상관계수를 활용한다. 상관계수는 여러 변수가 존재할 때 간단하게 산출할 수 있는 지표임에도 불구하고 이를 이상 탐지에 활용할 수 있겠다는 생각은 못 해봐서 흥미롭게 느껴진 연구였다. 이상 탐지 수행 시에는 가장 많이 사용되는 군집화 방법론 중 하나인 K-means clustering이 활용되지만, 센서 데이터 자체가 아닌 상관계수를 활용하여 센서 데이터만 사용한 경우보다 더 정확한 이상 탐지가 수행됨을 보여 새로웠다. 하지만 정상 데이터가 규칙적이고 일정한 패턴을 유지하는 경우에만 좋은 성능을 보일 수 있기 때문에, 불규칙한 패턴의 정상 데이터 상황에서도 강건한 성능을 보일 수 있도록 발전된다면 실제 현업에서도 유용하게 활용될 수 있을 것 같다.

2. 웨어러블 소프트센서를 이용한 딥러닝 기반의 실시간 제스쳐 추출 및 분류 모델 개발 - 조혜원, 전수진, 박소연, 임성훈 (울산과학기술원 (산업공학과))

실시간 제스처 탐지 및 분류는 제스처의 이미지를 통해 수행(Computer-vision based) 되거나, 센서가 부착되어 움직임에 따라 센서 데이터가 수집되는 웨어러블 소프트센서를 통해 수행(Sensor-glove based) 될 수 있다. 이미지 데이터는 촬영 구도나 시야를 방해하는 구조물 등의 이유로 데이터의 일관성이 무너지기 쉽다는 단점이 있지만 웨어러블 소프트센서를 활용하는 경우 이러한 문제점이 해결되기 때문에 제스처 탐지 및 분류 문제에서 유용하게 활용될 수 있다. 또한 센서 데이터는 데이터 크기가 기본적으로 큰 이미지 데이터보다 훨씬 가볍기 때문에 실시간으로 활용되기에 장점이 있다. 따라서 해당 연구는 제스처 탐지 및 분류를 위해 웨어러블 소프트센서에서 수집된 데이터를 활용한다. 가장 인상 깊었던 부분은 데이터를 최대한 단순화하여 딥러닝 학습과 실시간 활용에 유용하게 만드는 과정이다. 불안정하게 측정된 구간의 데이터는 제거하는 등 전처리 과정에서 데이터가 굉장히 간단한 형태로 단순화되며 많은 정보가 소실될 것 같음에도 불구하고 좋은 성능을 보이는 것이 인상 깊었다.