[학회 후기]

11월 4일 인천대학교에서 열린 2022 대한산업공학회 추계학술대회에 참가하였다. 연구실에 입학한 후 처음으로 참가한 학회였다. 여러 세션에서 정말 다양한 연구 발표가 진행되었고, 많은 사람들이 관심있는 발표를 들으며 학회를 즐기고 있었다. 예상과는 달리 매우 자유롭고 열정적인 분위기였다. 연구자들 뿐만 아니라 기업에서 온 실무자들도 많이 참석을 하셨는데 협업 관점에서의 질문과 피드백을 들으니 매우 흥미로웠고, 좋은 인사이트들을 얻을 수 있었다. 또한 산업인공지능 분야 뿐만 아니라 생산/물류/정보시스템 등의 산업공학분야의 발표들을 통해 산업 현장의 다양한 문제들을 접해볼 수 있는 뜻깊은 시간이었다. 그리고 나도 진행 중인 연구에 대해 발표하는 시간을 가졌다. 공식적인 자리에서 내 연구를 소개한다는 것이 걱정되고 떨리기도 했지만, 많은 분들이 관심을 가지고 집중해서 들어주셔서 재밌게 발표를 진행할 수 있었다. 첫 학회 참석이라 많은 것이 낯설기도 했지만 연구실 언니, 오빠들 덕분에 학회를 즐겁게 마무리 할 수 있었고, 앞으로 더 좋은 연구를 해나가야겠다는 생각이 많이 들었다.

[발표 후기]

발표 주제: 생체 신호를 위한 딥 메트릭 러닝 기반 표현 학습

생체 신호는 인간의 몸 내부에서 벌어지는 각종 현상의 지표로 생체 신호를 분석하면 특정 질병의 발병 여부나 건강 상태를 더욱 정확하게 파악할 수 있다. 최근에는 웨어러블 기기의 발달로 생체 신호의 수집과 활용이 더욱 다양해지고 있으며, 딥러닝 기반의 생체 신호 분류 모델에 관한 연구가 활발히 진행되고 있다. 그러나 생체 신호의 피험자 간 변동성과 노이즈는 딥러닝 모델의 성능에 부정적인 영향을 미친다. 따라서 본 연구에서는 피험자 간 변동성과 노이즈에 강건한 생체신호 분류 모델을 위한 표현 학습 방법론을 제안하였다. 제안 방법론은 두 가지 메트릭 러닝 기법으로 구성이 된다. 첫 번째는 서로 다른 피험자로부터 나온 특징들을 유사해지도록 학습하는 prototypical similar loss이다. 이는 prototype 단위로 메트릭 러닝을 수행하며 피험자가 구분이 되지 않는 특징을 학습할 수 있게 한다. 두 번째는 노이즈에 강건한 특징을 학습하는 supervised contrastive loss이다. 생체 신호는 다양한 노이즈에 오염이 되기 쉬우므로 노이즈에 강건한 특징을 학습하기 위해 클래스 내 유사도는 높고, 클래스 간에는 분리가 잘 되는 특징을 학습하는 supervised contrastive loss를 사용하였다. 제안 방법론은 두 가지 실제 생체신호 오픈 데이터 셋을 통해 평가하였으며 개인 차이를 없애고 노이즈에 강건한 특징을 학습하는 것이 생체 신호 분류 성능을 향상 시킨다는 것을 보여주었다. 본 연구는 피험자 간 변동성 문제를 메트릭 러닝 기반으로 해결한 첫 연구라는 점에서 의의가 있다.

[청취 후기]

Irregularly sampled time series classification using neural stochastic differential equation (YongKyung Oh, Sungil Kim, Department of Industrial Engineering, UNIST)

대부분의 실제 시계열 데이터는 불규칙한 간격으로 수집되거나 결측치가 포함되어 있을 수 있다. 기존 시계열 분석 모델들은 수집된 시계열 데이터에 대해 결측치가 없고, 일정한 간격으로 수집되었다는 것을 가정한다. 따라서 불규칙하게 샘플링된 시계열 데이터 셋에서는 잘 작동하지 않을 수 있다. 따라서 본 연구에서는 neural stochastic differential equations과 Ornstein-Uhkebeck (OU) process를 사용하여 불규칙하게 샘플링된 시계열에서 적절한 특징을 추출하는 방법론을 제안하였다. 우선 ‘불규칙하게 수집되는 시계열 데이터’라는 문제 상황은 시계열 데이터를 다루면서 쉽게 공감할 수 있는 부분이었기에 매우 흥미로운 주제였다. 단순히 raw 데이터 단에서 주변 관측값으로 결측치나 불규칙한 간격을 채우는 방법이 아니라 가지고 있는 데이터 자체에서 확률적 모델링을 통해 유의미한 특징을 추출한다는 점이 인상 깊었고, 추후에 꼭 적용해 볼 만한 접근법이라는 생각이 들었다.