[학회 후기]

지난 10월 16일부터 19일까지 Indianapolis에서 INFORMS 2022를 개최하여 학회 참석하였다. 2019년도 Seattle에서 개최한 INFORMS 참석 이후 3년만에 미국에서 학회를 참석할 수 있는 기회였다. Indianapolis는 생소한 도시였는데, 실제로 도착해보니 미국 현지인들도 처음 방문한 사람들이 많았다. 가장 직감적으로 해외에 왔구나 싶었던 건 날씨 때문이었는데 한국은 초가을 날씨였음에도 Indianapolis는 한겨울 날씨여서 손난로를 꼭 쥐고 일정을 소화했다.

INFORMS는 내가 다녀본 국내외 학회 중 가장 네트워킹이 활발한 학회인만큼 연구에 대한 교류가 활발히 이뤄졌다. 더군다나 6000천명이 참석하여 대형 컨퍼런스 건물 3개의 공간을 활용하는 학회이니만큼 도시 전체가 INFORMS참석 인원으로 구성되었다고 해도 과언이 아니었다. 지난 Seattle에서의 INFORMS와 비교해보면 개최되는 세션항목을 살펴보았을 때 인공지능, 딥러닝 주제가 보다 활발하게 연구가 진행되고 있음을 알 수 있었다. 인공지능 관련 세션들이 대체로 인기가 많아 청중들도 많고, 발표 이후에도 활발한 논의가 이루어졌다. 또한, 무인으로 운영하는 등록처, 온라인 앱으로 제공되는 agenda를 통해 해외 학회를 포함한 행사에서 sustainability의 중요성을 체감할 수 있었다.

더불어, 학회 참여 이외의 시간에는 다양한 경험들을 할 수 있었다. 먼저 미국에 도착한 첫날 저녁 지도교수님이신 김성범 교수님의 지도교수님 Kwok Tsui 교수님을 처음 뵙게 되었다. 말씀으로도 많이 들었지만, 여러 인공지능에 대한 고견을 들으며 연구에 대한 관심과 애정이 남다르시다는 것을 느낄 수 있었다. 발표를 마친 저녁 고려대학교 동문회를 참석하였는데, 다양한 곳에 사회로 뻗어 나간 선후배들을 만날 수 있는 뜻깊은 시간이었다. 특히, 몇몇 또래 연구원들의 해외 유학 여담을 들었던 것이 기억에 많이 남는다. 모쪼록 건강하고, 즐거운 유학생활 되길 바란다. 또한, 교직 및 산업체에서 활발히 활동중인 선배들도 만나 뵐 수 있었는데 대학원생으로서 응원이 되는 말씀을 많이 주셔서 연구실 생활에 많은 격려가 된 것 같다.

학회 일정을 마치고, Indiana의 대표적인 대학교 Purdue University와 Indiana University를 방문하였다. Purdue University는 이공계가 유수한만큼 전체적인 학교분위기도 이공계분위기를 띄고있었다. Purdue University관광 중 우연히 길을 알려준 한인 대학원생과 산업공학과 소개를 해주신 손영준 교수님을 뵙고 나니 한국인으로서 감회가 새로웠다. Purdue University와는 달리 Indiana University는 예술, 정치, 경제 분야가 유수하다고 알고있었는데 실제로 살펴보니 대학 캠퍼스가 그림 같이 너무 아름다웠다. 가을의 정취와 너무 잘 어울리는 캠퍼스여서 투어하는 내내 학교가 아닌 유명 관광지를 살펴보는 기분이었다.

해외 학회일정은 해외를 방문한다는 것에서 설레임을 주지만, 그만큼 발표 준비과정에서 많은 부담이 따르는 것 같다. 지난 IntelliSys발표가 개인적으로 아쉬움이 많이 남아 명확히 내용을 전달하기 위한 노력에 초점을 맞추어 준비했던 것 같다. 물론 이번 발표에서도 다른 여러 아쉬움이 남아 스스로 계속 도전하고 개선해 나가야할 문제라고 생각했다. 발표 준비과정에서부터 함께 생활하며 많은 배려를 해준 민정언니와 충협오빠에게 덕분에 즐거운 시간 보낼 수 있었다는 감사의 인사 꼭 전하고 싶다. 벌써 몇 번째 함께 학회에서 방을 쓰는지 셀 수 없는 민정언니가 나와 마지막 해외학회라고 하니 울컥하는 마음도 있었지만, 다음에는 언니와 여행으로 함께하길 기대한다. 또한, 길을 너무 잘 찾았던 충협오빠 덕분에 정확한 방향으로 빨리 갈 수 있었다. 오빠의 남은 여정들도 꽃길이길 응원한다.

[청취 후기]

Bayesian Uncertainty Quantification for Low-Rank Matrix Recovery

본 연구는 m1과 m2의 low rank matrix가 주어졌을 때, 적절히 matrix factorization이 수행하되 발생가능한 결측정보에 대해 고려하고자 한다. 따라서, 이에 대한 예측값의 점추정이 아닌 불확실성 정량화를 통해 분포를 도출하는 것을 최종 복표로 한다. 본 연구는 알려지지 않은(결측) 입력값에 대해 row와 column space로 parameterize하는 BayeSMG을 제안하였으며, matrix의 복구가 적절히 수행되었는지 검증하기 위해 image inpainting문제에 적용하였으며, 복원하는데 어려운(불확실한) 픽셀에 대해 uncertainty가 높게 정량화 되는 것을 검증할 수 있었다. 본 연구는 uncertainty를 활용한다는 점에서 내가 주로 수행하는 연구와 동향이 유사할 것이라 생각했는데, 결측치 대체 과정을 matrix formulation으로 수행하며, 이 과정에서 uncertainty를 활용한다는 점에서 연구 전개방식이 기존에 내가 익혀오던 방법론들과는 차이가 있어 신선하게 들었던 것 같다.

[발표 후기]

Out-of-Distribution Detection Using Distance-Aware Uncertainty Estimation

본 연구는 예측과정에서 사전에 정의된 클래스에 대해서는 분류를, 새롭게 유입되는 unknown 클래스에 대해서는 별도의 탐지를 수행하는 open set recognition을 목표로 한다. 최근 공정 세분화 및 신규 장비 도입과 같이 다양한 이유로 예측 과정에서 unknown클래스에 대해 탐지하는 것이 궁극적인 성능개선에 매우 주요하게 영향을 미친다. 본 연구는 unknown클래스를 정의하는 지표로 불확실성 정보를 활용하고자 한다. 기존에 수행된 불확실성 정량화 연구는 decision boundary를 기준으로 불확실성 값이 도출되는 한계가 있기 때문에 decision boundary와는 거리 차이가 있을 수 있는 unknown클래스에 대한 인식에 어려움이 있다. 따라서, 본 연구는 Gaussian Process를 활용한 distance-aware uncertainty를 정량화하여 적용하고자 한다.

질문1: 불확실성 정량화 term이 어떻게 구성되었는지?

답변1: Gaussian process layer를 통해 도출된 logit을 활용한 수식을 기반으로 정량화 되었으며, 이는 보편적으로 알려진 Bayesian approach, Ensemble approach와는 차이가 있다.

질문2: threshold정의 과정에서 temporal scaling을 적용하는 것에 대해 어떻게 생각하는지?

답변2: 현재는 validation set기준으로 known class에 대한 uncertainty의 상위 percentile을 사용하여 threshold를 정의하고 있는데, 좀더 극단적인 값 구성을 위해 temporal scaling도 적용해보면 좋을 것 같다.