[학회 후기]

2025년 대한산업공학회 추계학술대회는 나에게 있어 첫 학회 참여였다. 새로운 연구자들과 한 공간에 모여 다양한 연구를 듣고 교류할 수 있다는 사실이 설렘을 불러일으켰고, 동시에 첫째 날 발표가 예정되어 있었다는 점에서 오는 긴장감도 적지 않았다. 발표 준비를 반복하며 익숙해졌다고 생각했지만, 실제 학회장에서 청중 앞에 서게 될 순간을 떠올리니 자연스럽게 마음이 한 번 더 가다듬어지는 느낌이었다.

이번 학회에서 특히 크게 느낀 점은, 내가 속한 연구 분야가 아니더라도 열린 태도로 듣고 질문하려는 자세가 중요하다는 것이었다. 처음에는 전혀 연관이 없어 보이는 주제의 발표들도, 발표자가 문제를 정의하고 해결해 나가는 과정 속에서 연구 전반에 적용 가능한 사고 방식과 관점을 발견할 수 있었다. 연구는 단일 분야에 갇혀 있는 것이 아니라, 다양한 시각과 맥락이 교차할 때 더 깊어지고 확장될 수 있다는 것을 체감할 수 있었던 의미 있는 경험이었다.

[발표 후기] 

이번 학회에서 도메인 불일치 상황에서의 오픈셋 준지도 학습이라는 주제로 발표를 진행하였다. 최근 준지도 학습(SSL)은 적은 양의 레이블된 데이터와 많은 비라벨 데이터를 활용하여 모델 성능을 향상시키는 데 유용하지만, 실제 환경에서는 학습 시 고려되지 않은 새로운 클래스(OOD)와 도메인 차이가 존재한다는 한계가 있다. 그 결과, 기존 SSL 모델은 새로운 데이터가 들어올 때 분류 경계가 흔들리거나, 비라벨 데이터 처리 과정에서 성능 저하가 발생하는 문제가 나타난다. 본 연구는 이러한 실제 적용 상의 문제를 해결하기 위해, 도메인 간 분포 차이를 완화하고, 도메인에 관계없이 ‘분포 밖’의 데이터를 선별할 수 있도록 데이터 증강 전략을 활용한 오픈셋 준지도 학습 방법론을 제안하였다. CIFAR-10 및 CIFAR-10-C 벤치마크 실험을 통해 분류 성능과 오픈셋 분류 성능 모두 개선 가능성을 확인하였으며, 이는 산업 환경에서 모델이 더 안정적으로 동작할 수 있는 가능성을 보여준다.

발표를 진행하며 개인적으로 가장 크게 느낀 점은 발표 속도 조절의 중요성이었다. 발표 중 긴장이 높아지면서 말이 빨라지는 순간들이 있었고, 그로 인해 일부 핵심 설명이 청중에게 충분히 전달되지 못했을 것이라는 아쉬움이 남았다. 청중의 이해 흐름에 맞춰 호흡을 조절하는 발표의 필요성을 실감했으며 앞으로는 발표 연습 과정에서 속도와 여백을 더욱 의도적으로 관리하여, 연구 내용을 ‘설명하는 발표’가 아니라 ‘전달되는 발표’가 될 수 있도록 개선해 나가야겠다는 생각을 하게 된 시간이었다.

질문 1: 도메인 불일치 상황에서의 오픈셋 준지도 학습이 실제 생활에서는 어떤 사례에 적용될 수 있을까요?

답변 1: 현실에서는 데이터가 항상 동일한 환경에서 수집되지 않기 때문에, 새로운 환경에서 들어오는 데이터가 기존과 다른지 판단하는 능력이 필요합니다. 예를 들어 제조 공정, 의료 영상처럼 환경 변화나 장비 차이로 분포가 달라지는 상황에서 본 방법은 변화된 환경에서도 모델이 안정적으로 동작할 수 있도록 도와줄 수 있습니다. 

질문 2: 도메인 불일치 상황에서 제안한 방법론이 도메인 간 분포 차이를 어떻게 정렬(align)했는지 궁금합니다.

답변 2: 도메인 정렬은 CORAL loss를 활용하여 수행했습니다. 소스 도메인과 타겟 도메인의 특징 공분산을 일치시키도록 학습하여, 두 도메인 간 특징 분포 차이를 줄이고 보다 안정적인 표현 공간을 구성할 수 있도록 했습니다.

[청취 후기]

1. 디퓨전 기반 회귀를 위한 원샷 준지도 연합학습 -심세진, 김성범(고려대학교 산업경영공학과)

해당 발표는 지금까지 연합학습연구가 주로 분류 문제에 집중되어 있었다는 한계를 짚고, 이를 회귀문제로 확장한 최초의 준지도 연합학습 프레임워크를 제안한 연구였다. 

발표자는 Diffusion 기반의 데이터 생성 모델을 활용하여, 서버 측에서 보유한 소량의 레이블된 데이터로부터 학습된 특징만을 각 클라이언트에 전달하고, 각 클라이언트가 이를 바탕으로 합성 학습 데이터를 생성하여 로컬 학습을 수행하는 방식을 제안하였다. 이 과정에서 개별 클라이언트 데이터가 외부로 노출되지 않기 때문에 프라이버시가 완전히 보장된다는 점이 핵심적인 기여로 보였다. 또한 실험 결과에서도 UTKFace 데이터셋을 통해 성능이 기존 방법 대비 우수하게 나타났다는 점은 단순한 개념 제시에 그치는 것이 아니라, 실제 구현 가능성과 성능 개선 측면에서도 의미가 있다는 것을 확인시켜주었다.

개인적으로 가장 인상 깊었던 부분은, 연합학습의 본질적 전제인 ‘데이터는 로컬에 남기되, 학습은 함께 한다’는 내용을 모델 구조 설계 단계에서부터 강하게 반영하고 있었다는 점이다. 더불어 “회귀 문제에서도 연합학습이 실질적인 가치가 있을까?”라는 질문에 대해 논리적인 문제 정의와 실험적 증명을 통해 응답한 연구적 방향성 또한 의미 있었다고 느꼈다.

2. Normalizing Flow 기반 분포 추청을 통한 오픈셋 상황의 미지 클래스 분리 가능성 탐구 -이상재, 백준걸(고려대학교 산업경영공학과)

본 발표는 Normalizing Flow모델을 활용하여 오픈셋 상황에서 미지 클래스를 분리하는 가능성을 탐구한 연구였다. 먼저 ArcFace 기반으로 클래스 간 분리를 강화한 특징 공간을 구성한 뒤, 해당 특징을 Normalizing Flow를 통해 정규분포 형태로 모델링하여 OOD 여부를 판단하는 점이 명확했다. Office-Home과 VisDA-2017 실험 결과에서 Known과 Unknown이 특징 공간 상에서 뚜렷하게 분리되는 시각적 차이를 제시한 부분이 특히 설득력 있었다. Normalizing Flow가 분포 자체를 직접 학습하여 미지 클래스를 판단한다는 접근은 오픈셋 문제의 본질과 잘 맞는 방향이라고 느꼈다. 향후 가중치 기반 적대적 학습과 OS* / UNK 지표를 활용한 성능 검증 계획 역시 현실 적용 가능성을 높일 수 있을 것으로 보였다.