[학회후기]

이번 대한산업공학회는 제주도에서 진행되었다. 코로나 이후 학회는 모두 온라인으로 참석했었는데 이번 학회는 오프라인으로 참석하게 되었다. 처음으로 오프라인으로 참석하는 학회인 만큼 실제로 많은 사람 앞에서 발표한다는 사실에 긴장되었다. 목요일 첫 타임에 발표하게 되어 비교적 편한 마음으로 발표를 진행할 수 있었으며 다른 발표들도 여유 있게 들을 수 있었다. 온라인 학회는 아무래도 집중력이 떨어지는 경향이 있었는데 오프라인 학회는 직접 발표를 보다 보니 집중력 있게 들을 수 있었다. 다양한 연구를 접하며 내 연구에 동기부여가 되는 좋은 시간이었다.

[발표후기]

역사 사료와 같은 오래된 이미지를 복원하는 것은 매우 중요하다. 일반적으로 이미지를 복원하는 딥러닝 모델은 고품질의 이미지에 임의의 손상을 가한 후 해당 저품질 이미지를 복원하도록 학습된다. 하지만 만들어진 저품질 이미지는 실제 오래된 이미지와 다른 특성을 가지게 된다. 예를 들어 만들어진 저품질 이미지는 이미지 전체에 노이즈가 동일한 강도로 존재하지만, 실제 오래된 이미지는 노이즈 강도가 이미지의 부분마다 서로 다르다. 이러한 차이를 도메인 갭이라고 하며 도메인 갭이 존재하는 상황에서도 좋은 성능을 구축하는 연구 분야를 도메인 적응(domain adaptation)이라고 한다. 선행 연구에서는 이미지의 내용에 의해 발생하는 차이만을 고려했다면 본 연구에서는 이미지의 스타일까지 고려한 이미지 복원을 진행했다. 이미지의 스타일은 그램 행렬로 표현할 수 있으며 그램 행렬의 차이를 줄이는 손실함수를 학습에 활용했으며 해당 손실함수를 활용했을 때 기존 연구에 비해 좋은 성능을 보인다는 것을 입증했다.

[청취후기]

1. 그래프 분류를 위한 FixMatch 기반 준지도 학습 네트워크

기존 그래프 분류를 위하여 준지도 학습 방법론들은 손실함수가 복잡해짐에 따라 모델 학습 비용과 하이퍼파라미터 수가 증가한다는 단점을 가지고 있다. 해당 연구에서는 FixMatch라는 이미지 기반 준지도 학습 방법론을 그래프 분야에 적용해 효율적인 그래프 분류를 위하여 준 지도 학습 알고리즘을 제안했다. 레이블이 존재하는 그래프에 대해서는 지도학습 손실함수를 그대로 적용한다. 레이블이 없는 그래프에 대해서는 강한 어그맨테이션과 약한 어그맨테이션을 활용해 모델에 입력해 준다. 약한 어그맨테이션의 출력값이 일정 임계값을 넘는다면 두 그래프의 출력값이 동일해지도록 손실함수를 추가해준다. 이때 강한 어그맨테이션과 약한 어그맨테이션은 삭제하는 노드의 비율 등을 기준으로 정의하게 된다. 이를 통해 기존 연구에 비해 좋은 성능을 낼 수 있다는 것을 실험적으로 보였다.

2. 변수 간 어텐션 매커니즘을 활용한 트랜스포머 기반 다변량 시계열 이상치 탐지

기존에 트랜스포머를 활용한 시계열 이상치 탐지 연구들은 변수들을 특정 차원으로 임베딩해야 하므로 명시적으로 변수 차원에서의 해석이 불가능했다 해당 연구에서는 이러한 단점을 지적하며 변수별로 임베딩하는 새로운 기법을 제안했다. 이를 통해 변수 간의 상관관계를 고려하여 학습을 진행할 수 있으며 학습된 어탠션 스코어를 기반으로 변수 사이의 상관관계를 파악할 수 있게 된다. 해당 연구에서는 모델 구조에 따라 4가지 모델을 제안했으며 제안 방법론들이 기존 연구에 비해 좋은 성능을 보임을 확인했다. 또한 어탠션 스코어를 시각화함으로써 어떤 변수에서 이상에 대한 원인이 발생하는지 찾아낼 수 있었다.