[학회 후기]

2026년 4월 9일부터 12일 일본 교토에서 열린 ICIEA 학회에 참가하였다. 입학 후 처음으로 참가한 해외 학회였으며, 동시에 첫 영어 발표를 하게 되어 긴장과 설렘이 공존했다. 산업공학 학회인 만큼 application 중심의 연구가 많았는데, 각 나라마다 집중하고 있는 도메인이 다르고 또 이를 다양한 방식으로 해결해 나가는 점이 매우 흥미로웠다. 발표 당일에는 다소 긴장되었지만 준비한 내용을 차분히 전달하기 위해 노력하였다. 발표를 마치고 나서는 후련함과 동시에 보다 자연스럽고 유창하게 소통하지 못한 것에 대한 아쉬움도 있었다. 영어로 자신의 연구를 설명하는 능력의 중요성을 다시 한 번 실감할 수 있었고, 더욱 성장하고자 하는 동기를 얻는 뜻깊은 경험이었다.

이번 학회를 통해 교수님과 연구원분들과 함께 화창하고 고즈넉한 분위기의 교토를 다같이 즐길 수 있어서 좋았다. 연구실 생활 중 잊지 못할 기억과 추억을 쌓을 수 있었으며, 이렇게 해외에서 발표할 수 있도록 지도해주시고 한층 더 성장할 수 있는 기회를 주신 교수님께 깊이 감사드린다.

[발표 후기]

이번 학회에서 발표한 주제는 "Personalized Federated Learning for Time Series Forecasting via VLM Description Agent"이었다. 시계열 모델을 만들기 위해서는 많은 양의 데이터가 필요하지만, 현실에서는 데이터가 여러 기관에 분산되어 있는 경우가 많다. 또한 시계열은 다른 모달에 비해 고유한 특성이 강해 이질성을 효과적으로 해결하는 것이 중요하다.

본 연구에서는 이러한 한계를 해결하기 위해 언어 모델을 활용한 개인화 연합학습 방법을 제안하였다. 특히 개별 클라이언트의 고유 시계열 특성을 반영하기 위해 Vision Language Model을 활용하여 설명력을 강화하였다. 기존 연구에서는 시계열 데이터를 텍스트 형태로 변환하여 LLM에 직접 입력하는 방식이 주로 사용되었으나, 아직까지 LLM의 토크나이저는 정밀한 수치값을 처리하는 데 한계가 있어 정보 손실 및 부정확한 답변을 출력할 수 있다. 따라서 이를 해결하기 위해 클라이언트의 시계열을 STL 분해한 후  이를 figure로 시각화 하고, 해당 결과를 분석하도록 하는 텍스트 insturction과 함께 VLM에 입력하였다. 또한 언어 모델을 feature extractor로 활용하여 이질적인 시계열 데이터를 공통 표현 공간으로 정렬해주었다. 그 결과, 연합학습 환경에서 예측 성능을 향상시키며 텍스트 기반 설명력을 강화해 준 방식이 효과가 있었음을 확인할 수 있었다.

질문: 향후 계획에서 m4 short term dataset이 무엇인가?

답변: M4 데이터셋은 기존 실험에 사용한 데이터셋보다 길이가 매우 짧고, 데이터의 수집 주기가 서로 다른 특성을 가진다. 기존에는 도메인 간 이질성을 주로 고려하였다면, 해당 데이터셋은 주기적 이질성을 포함하고 있어 이를 향후 추가적으로 실험할 계획이다.

[청취 후기]

1. Queueing Theory as Operational Physics: Toward Foundation Models for Manufacturing and Service Systems

해당 발표는 제조 및 서비스 시스템을 위한 산업용 foundation model의 필요성과 발전 방향에 대해 중심적으로 다루었다. 최근 개인적으로 관심을 가지고 있는 분야와 관련된 내용이어서 더욱 집중해서 들을 수 있었다. 특히, 기존의 데이터 기반 접근만으로는 산업 환경의 복잡한 동적 특성을 충분히 반영하기 어렵다는 한계를 지적하며 이를 보완하기 위해 큐잉 이론과 같은 전통적인 운영 이론을 함께 고려해야 한다는 관점이 제시되었다. 특히 제조 및 서비스 시스템을 flow-driven system으로 바라보고 용량, 열화 등을 설명하는 수학적 구조를 operational physics로 해석하여 모델에 반영하려는 접근이 인상적이었다. 이러한 물리적·구조적 특성을 함께 고려한 산업용 foundation model은 단순한 데이터 기반 학습을 넘어 더욱 안정적이고 일반화 가능한 방향으로 발전할 수 있다는 점에서 매우 흥미롭게 느껴졌다.

2. A Multi-Modal BERT-Based Multi-Task Learning Framework for Predicting Emergency Department Patient Disposition and Length of Stay

해당 발표에서는 응급실 환자의 disposition(입원 여부 등)과 재원 시간(Length of Stay)을 동시에 예측하기 위한 멀티모달 기반의 멀티태스크 학습 프레임워크가 제안되었다. 특히 병원 데이터에는 텍스트 형태로 이루어진 데이터가 많이 존재하는데, 이를 BERT 기반 모델을 활용하여 텍스트 데이터를 효과적으로 반영하면서 다양한 형태의 의료 데이터를 함께 통합한 점이 인상적이었다.