[학회 후기]

4/9~12일 일본 교토에서 열린 2026년 ICIEA에 참가하였다. 이번 학회 준비 과정에서는 발표 자료의 완성도를 높이는 데 이전보다 더 많은 시간을 투자하였으며, 현장에서의 질의응답에 대비하여 영어 표현도 충분히 숙지하고자 노력하였다. 학회 기간 동안 발표 세션에서는 제조 시스템, 스마트 생산, AI 응용 등 다양한 산업공학 연구들을 접할 수 있었고, 평소 관심 있던 분야 외에도 새로운 연구 흐름을 파악하는 좋은 기회가 되었다. 개인적으로는 이번 학회에서 영어로 질문하고 의견을 나누는 것을 적극적으로 시도해보았는데, 완벽하지는 않았지만 해외 연구자들과 실질적인 소통을 이어갔다는 점에서 스스로 의미 있게 느껴졌다. 교토라는 도시 자체도 학회의 여운을 더해주었으며, 이번 참가를 통해 연구자로서 한 걸음 더 성장할 수 있는 계기가 된 것 같다. 좋은 기회를 주신 교수님께 감사드린다.

[발표후기]

4/9~12일 일본 교토에서 열린 2026년 ICIEA에 참가하였다. 이번 학회에서 발표한 주제는 "Server Initiated Unlearning for Federated Large Language Models in Cross-silo Setting"으로, 연합 학습 환경에서 서버 주도로 저품질 데이터를 탐지하고 제거하는 LLM 언러닝 프레임워크에 관한 연구이다. 기존 연구들이 이미지 분류 태스크에만 집중되어 있어 LLM에 직접 적용하기 어렵다는 한계에서 출발하여, BLEU와 BERTScore를 결합한 이상 클라이언트 탐지 방법과 LoRA 업데이트 크기 기반의 이상 데이터 탐지 방법을 제안하였다. 실험 결과, 다양한 연합 학습 알고리즘 환경에서 언러닝을 적용하지 않은 경우 대비 일관된 성능 향상을 확인할 수 있었다. 발표 후 Q&A에서 이상 클라이언트 탐지 성능 개선 방향에 대한 질문을 받았으며, 이는 논문에서도 한계로 인식하고 있는 부분인 만큼 추후 연구 방향을 보다 명확히 고민하는 계기가 되었다. 이번 참가를 통해 관련 분야 해외 연구자들과 교류하고 연구의 완성도를 점검할 수 있었으며, 좋은 기회를 주신 교수님께 감사드린다.

질문 1) 언러닝 방법으로는 무엇을 사용했는지?

답변 1) 경사 상승법을 사용하였으며, 그 외 언러닝 방법도 테스트해보았으나 실험 환경에서는 경사 상승법이 가장 우수했다. 그러나 제안 방법론은 언러닝 방법에 대해서는 독립적으로, 상황에 맞춰 최적의 언러닝 방법을 선택해 사용하면 된다.

질문 2) 어느 정도의 이상 데이터가 존재할 때, 이상 클라이언트라고 말하는지?

답변 2) 생각해 본 적 없으나, 중요한 포인트일 것 같다. 추후 고민해보겠다.

질문 2에 대해서 조금 더 고민해본 결과, 이상 클라이언트 정의에 이상 데이터의 양은 중요하지 않았다. 연구의 목표는 글로벌 모델 성능에 악영향을 미치는 이상 클라이언트를 찾아내는 것으로, '얼마나 많은 이상 데이터가 있는가'보다는 '얼마나 글로벌 모델에 악영향을 주는가'가 핵심이다. 적은 양이더라도 심각한 악영향을 미치는 클라이언트라면 이상 클라이언트가 된다. 익숙치 않은 영어로 질의응답을 하다보니, 충분히 대답할 수 있었던 내용임에도 하지 못하여 아쉽다. 영어 실력 증진의 필요성을 느꼈다.

[청취후기]

Queueing-Informed Forecasting for Time-Varying Multiserver Queues (Session 3 – Network Reliability Evaluation and AI Applications, 4/10 오후, Room 2A)

대기행렬 이론을 데이터 기반 예측 모델에 접목한 연구로, 시변 다중 서버 대기 시스템의 성능을 예측하는 프레임워크를 제안하였다. 순수 데이터 기반 접근 대신 대기행렬 이론의 구조적 특성을 학습 아키텍처에 내재화함으로써 데이터 효율성과 예측 정확도를 동시에 높인 점이 흥미로웠다. 당일 키노트에서도 유사한 방향의 연구가 소개된 바 있어, 해당 연구 흐름이 학계에서 주목받고 있음을 실감할 수 있었다.

AI-Based Quality Prediction Model for Aluminum Extrusion Processes: An Industry-Academia Collaboration Case Study (Session 11 – Predictive Model and Algorithm Design for Dynamic Environments, 4/11 오전, Banquet Hall A)

알루미늄 압출 공정에서의 품질 예측 모델을 산학 협력 형태로 개발한 사례 연구였다. 실제 공장 데이터를 활용했다는 점에서 현실적인 설득력이 있었으며, 공정 변수와 품질 지표 간의 관계를 AI 모델로 포착하는 방식이 제조 현장 적용 가능성이 높아 보였다. 산학 협력 과정에서 데이터 수집 및 전처리 단계에서 겪은 어려움을 솔직하게 공유한 점이 청중의 공감을 이끌어냈다.

A Digital Transformation Framework for Root Cause Analysis to Drive Smart Manufacturing (Session 21 – Data-Driven Intelligent Modeling and Optimization Strategies for Industrial Systems, 4/11 오후, Room 2B)

스마트 제조 환경에서의 근본 원인 분석을 위한 디지털 전환 프레임워크를 제안한 발표였다. 실제 반도체 백엔드 장비 벤더를 대상으로 한 사례 연구를 함께 제시하여 프레임워크의 현장 적용 가능성을 구체적으로 보여준 점이 인상적이었다. 데이터 수집부터 원인 분석, 개선 조치까지 이어지는 전체 흐름을 체계적으로 정리한 발표였으며, 제조 데이터 분석에 관심 있는 입장에서 실질적인 인사이트를 얻을 수 있었다.