[학회 후기] 

2022년 9월 1일, 2일 양일간 2022 Intelligent Systems(IntelliSys) Conference가 네덜란드 암스테르담에서 개최되었다. 대학원 입학 후, 처음 참석하는 해외 학회였으며 굉장히 많은 기대와 걱정을 하며 오프라인으로 참석하였다. 31년 인생동안 아시아 국가를 제외한 첫 해외 방문이었기에 또 다른 기대감 또한 존재했다. 지금까지 참석해본 온라인 해외 학회, 오프라인 국내 학회와 달리 IntelliSys에서는 Networking을 굉장히 강조하는 느낌을 받았다. 모든 Session이 끝나고 질문 및 Networking을 진행하며 문제 해결 방안에 대한 여러 생각을 교류하였다. 학회 첫 날 Keynote session 전에는 사회자 분이 직접 다른 사람들과 인사해보는 시간을 가지면서 Networking 시작 전 Ice breaking을 진행하기도 하였다. 학회에서 발표되는 내용은 특정 방법론에 대한 내용이라기보다 특정 문제 상황을 어떻게 해결할 지에 대한 연구들이 많았다. 따라서 방법론 자체에 대한 배움보다는 인공 지능 기술을 다른 국가 연구자들이 어떻게 사용하는지에 대한 견해들을 살펴볼 수 있는 해외 학회였다고 생각한다.

[청취 후기] MR-VDENCLUE: Varying Density Clustering using MapReduce

데이터 수집 기술의 발달로 비정형 데이터 뿐만 아니라 정형 데이터도 다수 수집되고 있다. 하지만 정형 데이터 패턴 추출을 위해서는 많은 연산량이 필요하다. 수천만건에 대해 곧바로 패턴 추출을 알고리즘 적용 시 정확하게 하기 어렵다. 그래서 Data partitioning을 진행한다. 해당 연구에서는 Data partitioning 및 패턴 추출을 위한 Density-based Clustering 기법을 제안하였다. partitioning에 대한 설명은 부족했지만 Density-based clustering은 이해할 수 있었다. Density가 높은 관측치들은 Noise가 아니라 패턴을 대표하는 관측치라 정의하고 이들만 사용해서 Clustering을 진행한 연구였다. 발표자의 영어가 익숙한 발음이 아니어서 전부를 이해하기 어려웠지만 새로운 방식의 접근이라 굉장히 창의적이라는 생각이었다.

[발표 후기] Data Augmentation Methods for Electric Automobile Noise Design for Multi-channel Steering Accelerometer Signals

위 내용을 주제로 포스터 발표를 진행했다. 차량에서 수집되는 여러 가속도 시그널 데이터 중 앞 바퀴에 부착된 조향 장치(Steering)에서 6개 가속도와 조향 장치 움직임 시 발생하는 소음 수준을 수집해 각각 입력 데이터와 출력 데이터로 사용했다. 가속도 데이터는 초당 12,800개 씩 수집되기 때문에 있는 그대로 딥러닝 모델에 입력하기 어려운 상황이었다. 따라서 Short-term Fourier Transform을 사용해 Spectrogram을 생성하였다. 해당 Spectrogram에 대한 데이터 증강을 우선적으로 진행하였다. Spectrogram의 X축은 시간, Y축은 주파수를 의미하며 각각 축에 대해 Masking을 진행하여 정보를 일부 가린채로 소음 수준을 예측하도록 하였다. 해당 방식은 입력 데이터 공간에서 데이터 증강을 적용했다고 평가할 수 있다. 다음으로 입력 데이터에 대한 특징 추출을 위해 여섯 개의 Convolutional neural networks(CNN) 기반 특징 추출기를 인공 신경망 모델을 정의했다. 해당 신경망 끝에는 각 CNN 특징 추출기에서 나오는 표현 벡터를 결합해서 소음 수준을 예측할 수 있도록 Fully-connected 계층을 두었다. 두번째 데이터 증강 기법은 표현 벡터에 대한 데이터 증강 기법이다. Fully-connected layer에 Dropout을 포함시켜 모델 학습 중 표현 벡터의 일부만 사용하도록 하는 형태로 데이터 증강을 진행했다. 일반적으로 Dropout은 정규화 기법으로 알려져 있으나, 표현 벡터의 일부만 사용한다는 점에서 데이터 증강 기법이라고도 표현할 수 있을 것이다. 두 방법을 사용해 학습 데이터 수를 변경하며 성능을 제시하고 방법론이 얼마나 적절한 지 증명하였다. 포스터 발표를 진행했기 때문에 짧은 시간에 요약적으로 위 내용을 설명해야했다. 그렇기에 더욱 간결한 영어 문장으로 정리하다보니 언어에 대해서도 연구에 대해서도 한층 성장할 수 있는 기회였다. 마지막으로 이번 학회에서 독일에서 근무하는 자동차 인공지능 엔지니어가 있어 차량 데이터 수집에서 사용까지의 어려움에 대한 이야기도 나눌 수 있었다.