[학회 후기]

2022년도 11월 4일 인천대학교에서 개최된 대한산업공학회 추계학술대회에 다녀왔다. 처음 참석하는 학회를 오프라인 학회로 접할 수 있어서 뜻깊은 경험이 되었다. 모든 것이 처음이라 준비과정에서 부터 낯설고 새로운 것들이 많았지만 선배들의 조언 덕에 잘 준비할 수 있었다. 인천대학교는 예전에 살던 동네와 같은 동네라 오랜만에 고향으로 돌아간 느낌도 들어 새벽에 출발했음에도 불구하고 피곤함 없이 기분 좋게 시작했다. 그동안 막연히 상상했던 학회는 조금 더 진지하고 엄숙한 분위기일 것만 같았는데, 막상 직접 참여해보니 생각보다 딱딱한 분위기가 아니어서 의외였다. 각자 본인의 연구를 발표하고 지식을 나누는 장이라는 곳이구나 라는 생각이 가장 크게 와닿았다. 이번 대한산업공학회 추계학술대회를 통해 다양한 주제에 대한 발표를 들을 수 있어서 좋은 기회였고 앞으로의 연구 방향성에 대해 더 넓게 생각해볼 수 있는 기회가 되었다. 또한 긍정적인 자극을 받아 내 연구를 빨리 더 발전시키고 싶다는 생각이 커졌으며 국내 학회 뿐 아니라 발전된 연구와 함께 해외 학회도 참여하여 경험의 폭을 넓히고 싶다. 

[발표 후기] 

Hard Negative Samples 를 반영한 대조학습을 통한 흉부 X선 다중 병변 분류 

본 연구는 대조학습(contrastive learning) 에서 hard negative samples 를 반영하여 흉부 x선 이미지의 병변을 높은 수준으로 분류하는 것을 목적으로 한다. 흉부x선 데이터는 방사선 전문의의 숙련도나 bias 에 따라 다른 병변으로 분류될 수 있으며, 따라서 Labeling 과정에 많은 시간과 비용이 발생하게 된다. 또한, 하나의 이미지가 두 개 이상의 label 로 분류될 수 있는 Multi-Label 이라는 특징이 있다. 따라서, 본 연구는 label 이 불필요한 자기지도학습(self-supervised learning) 방법론 중 대조학습을 사용하여 표현학습을 진행하고 학습된 인코더를 통해 downstream task 인 다중 병변 분류 성능을 높이고자 한다. 본 연구에서는 hard negative sample 정의를 위해 불확실성, 유사성, 대표성 세 요소를 결합하여 반영하고 있으며 흉부 x선 데이터에서 hard negative를 정의하고 대조학습에 반영한 첫 사례라는 의의가 있다. 

질문1: 불확실성 정의 부분에서 데이터 불확실성과 모델 불확실성을 정의해서 함께 사용하고 있는데 따로 반영할 수는 없는지?

답변1: 따로 반영할 수 있고 그 방향으로도 고려해 볼 수 있다. 

질문2: 지금은 불확실성, 유사성, 대표성을 같은 비중으로 정의하고 있는데 한 쪽이 크게 나타나는 경우는 어떻게 하는지? 

답변2: 현재는 세 특성을 같은 비중으로 결합하여 사용하고 있지만 추후에는 attention 기법을 사용해서 각 특성의 비중이 유동적으로 변할 수 있도록 적용할 예정이다.

[청취 후기]

Action-Focused Summarization을 활용한 반도체 설비 고장에 대한 조치 지식 및 키워드 추출 (한누리, 조성준, 서지원, 하종희, 심형준, 오지형, 이창희 – 서울대학교 산업공학과 & 삼성전자DS 설비기술연구소)

인폼노트는 반도체 설비에 이슈가 발생하면 점검내용을 작성하는 것을 말한다. 본 연구에서는 인폼노트에서 이슈에 대한 조치방법과 키워드를 추출하는 것이 목적이다. 크게 보면 NLP 라고 볼 수 있는데, 평소 반도체 설비 공정에 대해 이상치탐지나 불량 원인 분석 등의 연구는 많이 접했으나 조치방법과 키워드에 대한 NLP 분야로 풀어 분석하는 것은 처음이라 신선했다. NLP에서 가장 널리 사용되고 있는 BERT는 전반적인 맥락 요약에 초점을 두고 있기 때문에 설비 조치와 관련 없는 것도 포함하고 있다는 단점이 있다. 따라서, 본 연구에서는 설비조치와 연관성이 높은 쪽으로 요약을 수행하는 SBERT 방법론을 제안했다. 기존의 방법론을 특정 상황과 목적에 맞게 적절히 바꾸어 진행하고 있는 것이 가장 인상깊었으며 아직까지 완벽히 구동한다고는 말할 수 없어서 더 매력적으로 다가왔다. 해당 방식이 반도체 설비 공정 뿐 아니라 다양한 분야에 알맞게 적용된다면, NLP 의 키워드 추출 기법들이 훨씬 빠르게 다방면으로 성장할 수 있을 것이라고 생각된다.