[ 학회 후기 ] 

작년 일본 기타큐수에서 열린 IEA/AIE 학회 이후, 1년만에 다시 일본 학회를 참가하게 되었다. 작년 IEA/AIE 학회 정도의 규모겠거니 했지만, 이번 ICIEA 학회는 규모 자체가 달랐다. 참가 인원들도 훨씬 많았으며, 정말 다양한 주제에 대해 세션이 진행되었다. 다양한 주제들을 접하며, 아 이런 연구들도 많이 진행되고 있구나를 많이 느낄 수 있었고, 산업 공학 학회다 보니 인공지능 쪽에서는 고전적인 방법론들도 application 측면에서는 아직 많이 활용되고 있구나 라는 것을 알 수 있었다. 나에게는 이번이 두 번째 영어 발표였는데, 역시나 상당히 긴장이 되었던 것 같다. 조금 버벅거린 부분들도 있었던 것 같아서 아쉬웠지만, 그래도 빠트린 내용 없이 설명하고자 했던 내용은 다 말한 것 같아서 끝나고 나니 후련했다. 그리고 연구실 인원들도 다 무사히 발표를 마치고 용우형과 다빈이가 우수 발표상까지 수상하여 정말 자랑스러웠다.

학회 일정 전인 4월 8일과 4월 9일에는 교수님과 연구원들 같이 근처 관광을 하였다. 니시키 시장, 치쿠린 공원, 금각사 등을 방문하였고 날씨가 좋아 좋은 풍경들을 구경할 수 있었다. 특히, 일본 특유의 거리 감성은 올 때마다 좋은 것 같다. 이번에는 평소보다는 많은 인원들이 해외 학회에 참여했었는데, 인원이 많아진 만큼 더 재미도 있었고, 평소에 하지 못했던 얘기들도 많이 했던 것 같다. 연구실 생활 중에 정말 좋았던 추억을 하나 더 만든 것 같고 다음에도 이런 경험을 할 수 있으면 좋겠다.

[ 발표 후기 ]

발표 제목: Uncertainty-Weighted Multi-Task Learning for Enhanced Video Assistant Referee System Decision Automation

발표 내용: Video Assistant Referee System(VARS)는 축구 문화에 큰 획을 그은 엄청난 발전 중 하나이다. 수 많던 오심들이 VARS를 통해, 보다 정확하고 신뢰 가능한 판정들로 변화하였다. 그러나 제한된 수의 심판들과 높은 비용으로 VARS를 자동화 해야되는 필요성이 생겼고, 우리는 이러한 문제를 video clip을 사용한 multi-task learning을 통해 해결하고자 하였다. 또한, foul의 수준을 예측하는 severity task에 대해, borderline class를 재할당하여 noisy label 데이터셋을 만들어 학습 데이터에 오심이 있는 문제 상황을 해결하고자 하였다. 기존 연구에서는 foul action task와 severity task의 loss를 단순히 합하여 학습하였지만, 이는 각 task의 다른 수준의 difficulty를 반영하지 못하기 때문에 우리는 불확실성을 통해 각 task의 difficulty를 반영하였다. 특히, noisy label이 있는 severity task에 대해서만 불확실성을 반영함으로써, 베이스라인보다 매우 우수한 성능을 도출하였다. 또한, task difficulty를 반영하는 방식을 바꿔가면서 확인한 실험 결과에서도, 우리의 방식이 가장 좋은 성능을 보였으며, 모든 방식에서 베이스라인보다 우수한 성능을 보임으로써 task difficulty를 반영하는 것이 매우 중요하다는 것을 확인할 수 있었다.

질문 1: 왜 severity task에 대해서만 불확실성을 반영하였나?

답변 1: 우리가 구축한 noisy label 데이터셋은 severity task에만 해당한다. 따라서 해당 task에 대해서만 불확실성을 반영함으로써, severity task의 학습 가중치를 줄이도록 하였다. 이는, noisy label로 인한 악영향을 학습에 최소로 반영할 수 있도록 하기 때문에 해당 방식으로 수식을 고안하였다.

질문 2: 수식에서 분모에 2가 붙는 이유는 무엇인가?

답변 2: 해당 수식의 전체적인 틀은 기존 multi-task learning 연구를 참고하였다. 따라서, 아주 세부적인 부분은 기존 연구 수식을 가져오고, 이에 우리의 아이디어를 추가하였다.

[ 청취 후기 ] 

1. Unsupervised Anomaly Detection for Collector Mirror Contamination in Semiconductor EUV Lithography System (고재영 - Korea University)

해당 발표는 우리 연구실 재영이형이 발표해주었다. 다양한 분야에서 application 형태로 시계열 이상치 탐지가 많이 진행되고 있지만, 해당 연구는 반도체 EUV Lithography system에 대해 진행되었다. 우선, distribution shift를 방지하기 위해 instance normalization을 수행하였고, graph attention과 transformer-based self attiontion을 결합하여 채널 간, 긴 시계열 간 특징들을 모두 잘 포착할 수 있도록 하였다. 가장 인상적이였던 점은, 보통의 application 연구들은 본인들의 domain에 대한 데이터셋에 대해서만 검증을 하고는 하는데, 해당 연구는 기존 시계열 이상치 탐지 벤치마크 데이터셋으로도 검증을 확장하였다는 것이였다. 사실 여기서 성능이 잘 나오지 않을 수도 있는데, 대부분 가장 우수한 성능을 보였다. 내용도 너무 좋았고, 재영이형 특유의 안정적인 톤이 청취하는데 편안함을 주어 듣기 좋은 발표였던 것 같다.

2. Temporary Capacity Expansion Policy Under Product-Mix Shift in Multiple Lines Using Reinforcement Learning (Shanty Nurhalizah, Pusan National University) 

해당 발표는 제품 믹스 변화가 발생하는 다중 생산 라인 환경에서, multi-agent reinforcement learning(MARL)을 활용해 효율적인 공정을 할 수 있도록 한 연구였다. 강화 학습이 역시나 제조 및 공정에서 효율적인 방식을 찾기 위한 방법으로 많이 쓰이고 있구나 라는 것을 다시 한 번 느낄 수 있었다. 다만 청취 중 헷갈렸던 점은, 제안 방법론 이름이 Q-Mix 였다는 점이다. Q-Mix는 MARL 분야에서 NLP의 transformer 급으로 대표적인 방법론으로 알고 있는데, 방법론 이름에 어떠한 variation도 주지 않아 처음 발표를 듣던 중에는 헷갈리는 부분도 있었다. 그러나 발표자 분이 영어도 너무 잘하시고 발표 템포도 좋아서 전체적으로 듣기는 편했던 발표였다.