[학회 후기]

2022 대한산업공학회 주관 추계 학술 대회가 11월 4일 인천대학교에서 개최되었다. 코로나가 많이 잠잠해진 덕분에 첫 학회를 오프라인으로 경험할 수 있게 되었다. 1학기 차 때는 학회장에서 발표를 하면 어떤 기분일까, 얼마나 떨릴까 하는 막연한 호기심이 있었는데 벌써 학회장에서 직접 발표를 해야될 때가 닥치니 감회가 새로웠다. 여러 분야마다 다양한 학교의 다양한 학생들이 참가하였고 그 때문에 정말 다양한 주제를 접할 수 있었다. 나는 오전 첫 세션의 첫 번째 발표였기 때문에, 긴장할 틈도 없이 발표를 시작했던 것  같다. 다행히 무사히 발표를 마무리했고 몇 가지 질의 응답 후 나의 첫 학회 발표가 끝났다. 발표가 끝난 후 긴장이 풀리면서 다른 발표자들의 발표들을 집중해서 듣고 궁금한 점을 질문 해볼 수도 있었다. 다양한 주제의 발표를 들으면서 내 연구적인 시야도 한층 더 넓어질 수 있었고 내 연구에 대한 성찰도 해볼 수 있었던 뜻 깊은 경험이었다.

[발표 후기]

나는 "시계열 이상치 탐지에서의 동적 임계치 설정"이라는 주제로 발표를 진행했다. 이상치 탐지에서는 정상 데이터로 모델을 학습 후에 평가 데이터의 이상치 스코어가 임계치보다 크게 될 때, 해당 시점을 이상 시점이라고 판단한다. 기존 연구들은 보통 이 임계치를 고정된 값으로 사용한다. 나는 고정된 임계치가 비효율적인 이상치 탐지를 야기할 것이라 생각했고 이를 보완하기 위해 매 시점마다 변하는 동적 임계치 방법론을 제안했다. 이상 시점의 불확실성이 정상 시점보다 클 것이기 때문에 해당 내용을 연구 전제로 하였으며 모델의 불확실성을 이용하여 동적 임계치를 설정하고자 했다. 이에 따라, 동적 임계치를 사용할 때가 고정 임계치를 사용할 때보다 효율적인 이상치 탐지를 수행할 수 있을 것이라는 연구 가설을 세운 후에 연구를 진행했다. 재구축 모델로는 LSTM Encoder Decoder 모델을 사용했고 MC dropout 기법을 사용하여 매 시점의 복원 오차들의 분산으로 매 시점의 모델 불확실성을 정량화 했다. 매 시점의 불확실성을 이용한 함수를 정의하여 임계치를 조정하였다.   이상 시점의 불확실성이 정상 시점보다 클 것이라는 연구 전제를 시각화를 통해 확인하였고 실험을 통해 내 연구 가설을 검증할 수 있었다. 아직 하나의 데이터 셋만을 이용했기 때문에 보다 큰 규모의 다양한 데이터 셋들로 추가적인 실험이 필요하다. 또한 정상 시점과 이상 시점을 더 잘 구분할 수 있는 불확실성 함수를 연구하여 더 효율적인 이상치 탐지를 수행할 수 있도록 할 것이다. 향후에 이러한 점들을 보완한다면 더 좋은 연구가 될 것이라고 생각한다.

질문 1. 보통 이상 시점과 정상 시점에서 불확실성이 차이가 생기나요?

답변 1. 정상 데이터로만 모델을 학습하기 때문에 데이터 상에서 이상 시점과 정상 시점의 분포가 차이가 난다면 불확실성 차이 또한 발생합니다.

질문 2. 현업에서 이상 시점과 정상 시점의 시그널 데이터 값들이 차이가 거의 나지 않는다면 어떻게 이상치 탐지를 수행할 수 있나요?

답변 2. 이상 시점과 정상 시점의 값의 차이가 거의 나지 않을 경우는 고려하지 않고 진행했고 추후 연구에 고려하도록 하겠습니다. 

[청취 후기]

1. U-Net+ResNeSt 기반의 유방암 탐지 및 해석 (이유진, 박지영, 이상민 - 광운대학교, 경북대학교)

최근 병리학에 인공 지능을 결합한 연구가 많이 진행되고 있는데 특히 발병률이 꾸준히 증가한 암의 조기 진단에 대한 연구의 중요성이 증대되었다. 암을 판별할 때 직접 눈으로 보고 판단하는 과정에서 진단 오류 및 불일치 문제가 발생하고 시간 또한 많이 소요된다. 본 연구에서는 조기 진단 및 진단 정확도를 향상시키고 결과에 대한 해석을 제공하여 병리 의사의 진단을 보조할 수 있는 프레임워크를 제안했다. 기존 연구들을 통해 의료 영상 문제에 대해 U-Net의 성능과 ResNeSt를 backbone 모델로 사용한 아키텍쳐가 다른 모델에 비해 좋은 성능을 보였음을 입증했다. 따라서 본 연구는 U-Net에 ResNeSt의 encoder 구조를 추가하여 예측 성능을 향상시키고자 하였다. 총 34장의 유방암 슬라이드 이미지 데이터를 사용했고 실험을 통해 U-Net에 VGG, DenseNet 등 다른 모델들을 결합시켰을 때와 본 연구의 제안 방법론을 비교하여 성능 향상을 입증하였다. 본 연구는 암 조기 진단이 점점 중요해지는 상황 속에서 기존 연구들보다 효율적인 프레임워크를 제안한 좋은 연구라고 생각한다.

2. Time Series Anomaly Detection using Constrastive Learning based one-class classification (이예슬, 백준걸 - 고려대학교 산업경영공학과)

실제 공정에서 수집되는 데이터는 이상치 탐지 시, 정상과 이상 데이터의 형태가 유사하다. 실제로는 레이블링이 되어있는 데이터 또한 매우 적고 데이터의 클래스가 불균형하다는 문제점을 가지고 있다. 본 연구에서는 representation learning과 unsupervised learning을 통해 해당 문제들을 해결하고자 했다. 본 연구에서는 시계열 데이터에 맞는 augmentation을 제안했고 Deep SVDD 모델에 contrastive learning을 적용하였다. Deep SVDD 모델은 각 데이터를 구의 중심과 가깝게 맵핑하도록 학습하여 최소 부피의 구를 만드는 것이 목표이지만 contrastive learning은 이와 반대로 구를 최대화하는 것을 목표로 한다. 따라서 이 둘을 적절히 반영할 수 있는 loss 식을 같이 제안하였다. 데이터는 현업에서의 데이터를 직접 사용했고 다양한 실험을 통해 제안 방법들이 성능 향상을 보였음을 입증했다. 본 연구는 나의 연구 분야와 같은 연구였기 때문에 더 흥미롭게 들을 수 있었고 시계열 데이터에 적합한 augmentation 기법과 loss식을 제안한 좋은 연구라고 생각한다. 또한 들으면서 내 연구에 대해서도 한 번 더 돌아볼 수 있는 기회였다.