2026년 6월 4일부터 5일까지 경주 화백컨벤션센터에서 열린 2026 대한산업공학회 춘계학술대회에 참가하였다. 이번 학회는 내가 처음으로 참여한 학회였기 때문에 긴장도 되었지만, 동시에 다양한 연구자들의 발표를 직접 들을 수 있다는 점에서 기대도 컸다. 실제로 구두 발표와 포스터 발표를 들으며 산업공학 분야에서 인공지능 방법론이 어떻게 활용되고 있는지 폭넓게 접할 수 있었다.

특히 LLM, VLM, AI 에이전트 등 최근 주목받는 기술들이 여러 산업 문제에 적용되는 흐름을 확인할 수 있어 흥미로웠다. 또한 다른 연구자들이 문제를 어떻게 정의하고, 실험을 어떻게 설계하며, 발표를 어떻게 구성하는지 보면서 배울 점이 많았다. 처음 참여한 학회였던 만큼, 연구가 단순히 결과를 내는 것에서 끝나는 것이 아니라 그 필요성과 의미를 설득력 있게 전달하는 과정이라는 점을 새롭게 느낄 수 있었다.

이번 학회는 내가 하고 있는 연구를 더 넓은 흐름 속에서 바라볼 수 있는 좋은 기회였다. 앞으로는 연구 결과뿐만 아니라 왜 이 문제가 중요한지, 어떤 관점에서 접근해야 하는지를 더 깊이 고민하며 연구를 진행해야겠다고 느꼈다.

이번 발표에서는 “약지도 비디오 이상 탐지를 위한 LoCAT: 국소 문맥 기반 텍스트 정제 기법”이라는 주제로 연구를 소개하였다. 본 연구는 비디오 전체의 정상/이상 여부만 주어진 약지도 비디오 이상 탐지 환경에서, 프레임 단위의 이상 징후를 더 정확히 탐지하는 것을 목표로 하였다. 기존 VadCLIP 기반 방법은 CLIP의 시각-언어 지식을 활용하지만, coarse-grained 탐지에서는 visual feature만을 사용하고, fine-grained 탐지에서는 모든 프레임이 동일한 class text feature를 공유한다는 한계가 있었다.

이를 해결하기 위해 본 연구에서는 두 가지 방법을 제안하였다. 먼저 Dual-head Coarse를 통해 visual feature에 text 기반 의미 정보를 반영하여 anomaly score를 보정하고자 하였다. 또한 LoCAT을 통해 각 프레임 주변의 local context를 기반으로 class text feature를 프레임별로 정제하여, 시간에 따라 변화하는 이상 상황의 문맥을 더 잘 반영하고자 하였다. 실험 결과, UCF-Crime과 XD-Violence 데이터셋에서 coarse-grained 성능과 fine-grained 성능이 모두 기존 방법 대비 향상됨을 확인할 수 있었다.

처음으로 학회에서 발표를 하다 보니 준비 과정에서는 긴장도 많이 되었지만, 연구의 문제 상황과 제안 방법을 다른 사람들에게 설명하는 과정을 통해 내가 수행한 연구를 다시 정리해볼 수 있었다. 특히 발표를 준비하면서 단순히 성능 향상을 보여주는 것뿐만 아니라, 기존 방법의 한계가 무엇이고 왜 제안 방법이 필요한지를 명확하게 전달하는 것이 중요하다는 점을 느꼈다. 이번 발표 경험은 앞으로 연구를 더 설득력 있게 구성하고 전달하는 데 좋은 계기가 되었다.

답변 1: 단순 이상/정상의 구분인 Coarse도 중요하지만 이상 현상의 시작과 끝 시점을 알아내는 Fine 역시 실제 산업군에서 중요할 수 있다고 생각하고 후속 연구들 역시 Coarse와 Fine 성능의 동시 개선을 목표로 하고 있다. Coarse의 성능 개선만을 위한 방법도 생각해보았지만 모델의 네트워크 구조상 Coarse와 Fine의 동시 성능 개선을 위하여 지금의 방법을 채택하였다. 

답변 2: 현재 baseline으로 삼은 VadCLIP 이후의 연구들에서 역시 Coarse 수치는 1% 정도의 수치 향상으로도 유의미하다고 설명을 하며 Fine과 Coarse의 성능을 다른 두 데이터셋에서 동시에 개선했다는 점에서 유의미하다고 생각한다.

해당 연구는 정상 비디오 데이터만을 활용하여 이상 상황을 탐지하기 위한 자기지도학습 기반 멀티태스크 프레임워크를 제안한 연구였다. 기존의 단일 자기지도학습 방법은 프록시 태스크나 재구성 등 정상성의 일부 측면에만 집중한다는 한계가 있는데, 이 연구에서는 시공간 프록시 학습, CVAE 기반 중간 프레임 복원, 그리고 DKD 기반 지식 증류를 함께 활용하여 정상 패턴을 더 포괄적으로 학습하고자 했다. 내가 발표한 연구 역시 비디오 이상 탐지를 다루고 있었기 때문에, 정상 패턴을 어떤 방식으로 학습하고 이상 점수로 연결하는지가 특히 흥미로웠다. 여러 학습 목표를 결합하여 비디오의 공간적 정보, 시간적 흐름, 객체 중심 의미 정보를 함께 반영하려는 접근이 인상적이었다.

해당 연구는 수문 운영 정책 변화로 인해 발생하는 domain shift 상황에서 기수역의 염분을 안정적으로 예측하기 위한 방법론을 제안한 연구였다. 특히 물리 법칙은 domain shift가 발생하더라도 유지된다는 점에 착안하여, 염분 수지 방정식을 물리 제약으로 활용하고 Bayesian DeepONet을 통해 예측 불확실성까지 함께 고려한 점이 흥미로웠다. 내가 주로 접하던 비전이나 영상 기반 연구와는 다른 도메인의 연구였지만, 실제 환경에서 발생하는 분포 변화 문제를 모델이 어떻게 견딜 수 있도록 설계하는지가 인상 깊었다.