[학회 후기]

2026년 6월 4~5일 경주에서 개최된 대한산업공학회 춘계학술대회에 참가하여 구두 발표를 진행하였다.인생 첫 학회 발표였기에 긴장도 되었지만, 연구실에서 충분히 준비한 덕분에 자신감을 가지고 발표에 임할 수 있었다. 발표 이외에도 다양한 발표 및 포스터를 보면서 많은 연구적 교류를 했던 것이 기억에 남는다. 연구적 동향으로 봤을때는 단연 VLM 기반 연구가 많았으며, 강화학습, 생성형 모델 및 LLM 등 다양한 최신 인공지능 모델들을 통해 실제 산업 문제에 적용하려는 시도가 많았다. 또한 포스터 세션에서는 일부러 외국인 연구자들의 발표를 영어로 들으며 본인 또한 답변으로 영어를 하며 많은 교류를 하려 노력했다. 비록 생각만큼 자연스럽게 의사소통하지는 못했지만, 영어 실력의 중요성을 다시 한 번 절실하게 느끼는 계기가 되었다.

이번 학회를 통해 느낀 큰 키워드는 아래와 같이 세 가지로 정리해 볼 수 있을 것 같다.

1. 연구는 전달까지 포함되어야 한다.

아무리 좋은 연구를 수행하더라도 상대방을 설득하고 이해시키지 못하면 연구의 가치가 충분히 전달되지 않는다. 이번 학회에서 다양한 발표를 들으며 특히 이 점을 강하게 느꼈다. 연구의 수준뿐 아니라 발표 자료의 구성, 스토리텔링, 시각화, 전달 방식이  연구 평가에 상당한 영향을 미친다는 것을 체감하였다.

2. 영어는 선택이 아닌 필수이다.

해외 저널과 국제 학회를 목표로 연구를 수행하는 입장에서 영어는 더 이상 선택이 아니다. 포스터 세션에서 외국인들과 영어로 교류하면서 느낀 점은 논문을 읽고 쓰는 것뿐만 아니라 연구를 설명하고 토른하는 능력 또한 중요하며, 실제로 한 외국인 연구자와 토론하는 과정에서 내 연구를 영어로 설명하는데 있어서 소통의 한계를 느꼈다. 앞으로는 비용을 투자해서라도 꾸준히 영어 회화를 향상시켜야겠다고 느꼈다.

3. 생각을 논리적으로 정리하는 연습이 필요하다.

책을 많이 읽고 다양한 분야의 지식을 접하는 것도 중요하지만, 평소 자신의 생각을 논리적으로 정리하여 상대방에게 간결하게 전달하는 역시 연구자에게 매우 중요하다는 것을 느꼈다.

이번 학회는 연구자로서 앞으로 어떤 부분을 보완해야 하는지 명확하게 인식하게 해준 뜻깊은 경험이었다. 또한 동기 및 선배들과 함께 학회에 참여하여 더욱 가까워질 수 있었고, 특히 우리 동기들은 신입생의 티가 하나도 나지 않을 정도로 발표를 정말 수준있게 임한점에서 정말 멋졌고, 선배들의 발표는 학회내에서도 두드러질 정도로 노련한 것이 느껴졌다.

[발표 후기]

이번 학회에서는 “확산 모델 기반 역문제에서의 사후 분포 탐색 개선” 이라는 주제로 구두 발표를 하였다. 해당 연구는 기존 Diffusion model 기반 역문제 연구들은 관측값과의 정합성은 잘 만족시키지만, 사후 분포(Posterior distribution)에서는 다양성을 충분히 반영하지 못한다는 한계를 문제로 삼으며, 본 연구에서는 이러한 문제를 해결하기 위해 Colorization 문제를 대표적인 예시로 사용하였다. Colorization은 하나의 흑백 이미지에 대해 다양한 정답이 존재할 수 있기 때문에 사후 분포의 다양성을 평가하기에 적합한 과제이다.

기존 방법론들이 다양성을 충분히 반영하지 못하는 사례를 제시한 뒤, 이를 개선하기 위한 접근법으로 Noise Conditional Score Network(Song et al., Neurips 2019)에서 영감을 받아 노이즈가 존재하는 외부 분포에서부터 Posterior Langevin Dynamics를 수행하는 방법론을 제안하였다. 이를 통해 Pixel-space Diffusion model에서 기존 방법론 대비 우수한 다양성과 복원 성능을 달성할 수 있었다.

질문#1. gaussian noise를 어느정도 입혔는지와 posterior langevin dynamics는 몇번했는지 ?

답변#1. gaussian noise level을 총 20개로 설정하였으며, 각 noise level마다 posterior langevin dynamics를 50회 수행하였다. 따라서 총 1,000회 수준의 langevin update가 수행되며, 추가적인 연산은 gradient 계산 과정에서 발생한다.

질문#2. 서로 다른 gaussian 분포 사이를 이동할 때 상태는 어떻게 업데이트 되는가?

답변#2. 각 noise level에서 현재 상태 xt를 관측값 방향으로 먼저 보정한 뒤, 해당 위치에서 x0hat을 예측한다. 이후 예측된 x0hat을 활용해 다음 noise level의 상태를 구성한다. 이를테면 x0hat에서 xt-1만큼의 noise를 다시 입힘으로 구성한다. 따라서 각 gaussian 분포에서의 업데이트는 독립적으로 수행되면서도 관측값 방향으로 지속적으로 유도된다.

질문#3. 기존 방법론과 대비해 시간적인 측면에서 고려했는지?

답변#3. DAPS 대비 backprogation이 더 들어가기때문에 시간은 더 소요된다. 이를테면, 관측값으로 당겨주는 미분에서 daps에서는 x0hat을 x0hat에 대해 직접 미분하지만 제안 방법론은 x0hat을 xt에 대해 미분하기때문에 그에 따른 차이가 존재한다.

질문4. Colorization 성능 이외에도 Deblur나 Super resolution에 대한 성능이 있었는지? 본 방법론은 다양성을 향상시켜려한 연구인데 어떻게 Deblur나 Super resolution에 대한 성능 향상이 되었는지 ?

답변#4. Colorization 뿐만 아닌 Deblur와 Super resolution과 같은 방법에서도 일관적으로 성능 향상을 확인하였다. 본 연구는 단순히 다양성을 증가시키는 것을 넘어서 사후 분포를 다양성을 넓게 탐색하면서도 의미 있는 모드를 정교하게 추적하기 때문에 복원 품질 또한 함께 향상시켰기에 Deblur와 Super resolution에서도 성능 향상을 이룰 수 있다.

[청취 후기]

1. Flatness-Aware Stochastic Gradient Langevin Dynamics (Stefano Bruno, UNIST)

해당 연구는 2026 ICML accept paper로 Stochastic Gradient Langevin Dynamics(SGLD)가 낮은 loss만 찾는 대신, 낮은 loss + flat한 영역을 선호하도록 수정한 fSGLD를 제안하고, 이 방법론이 이론적으로 flatness-biased Gibbs distribution음 샘플링함을 수학적으로 증명하였으며, 해당 연구에서 관심이 가는 부분은 단순히 낮은 loss를 찾는 것이 아닌, 낮은 loss이면서 Hessian curvature가 낮은 즉, flat한 영역에 더 자주 머물도록 SGLD 방법를 바꾼 방법이라는 점에서 많은 관심이 갔다.

처음에는 내 방법론 또한 posterior langevin dynamics 관점에서 진행하기에 키워드가 비슷해서 들으러 갔다가 이러한 flatness-aware 방식을 적용해볼수있지않을까라는 생각이 들었으며 해당 발표자와 더 네트워킹을 진행해보고 싶다는 생각이 들었다. 해당 방법론을 들으며 특히 내 방법론은 posterior langevin dynamic 관점에서 gaussian smoothing을 적용하는 방식인데, 해당 연구와 내 연구는 분포를 어떻게 바라볼까에 대한 관점에서의 연결점은 분명 존재할 것이며 이런 연결점을 더 깊게 탐구한다면 현재 연구를 보다 이론적으로 발전시킬 수 있을 것이라는 영감을 얻었다. 발표자분이 현재 박사 후 연구원 과정으로 연구를 잔행하시는 것으로 알고있는데, 이런 깊이 있는 연구를 소개해주신 점에 대해 다시 한 번 감사함을 표한다.

2. Diffusion Model을 활용한 Unseen Wafer Map Defect Detection (고동현, 국립한국교통대학교 / poster)

해당 연구는 Diffusion Model을 활용하여 Wafer Map 데이터를 생성하고, In-Distribution 영역을 확장함으로써 OOD 탐지 성능을 향상시키고자 하였다. 기존 Wafer Map에 변형을 가한 뒤 Diffusion 과정을 통해 새로운 샘플을 생성하고, 이를 활용하여 정상 데이터 분포의 경계를 넓게 학습시키는 아이디어였다.

질문 #1. 본질적으로 OOD Detection 문제를 해결하기보다는 In-Distribution 영역을 확장하는 접근에 가까운 것 아닌가?

답변 #1. 이는 본 연구가 가진 본질적인 한계 중 하나이며 이 부분에 대해 더욱 깊이 있는 고민을 하겠다.

질문 #2. 비교 방법으로 DCGAN을 사용한 이유는 무엇인가? Diffusion model이 성능상 우위를 가질것으로 예상이 되는데, 비교의 타당성이 있는가?

답변 #2. 초기 연구는 DCGAN 기반으로 진행되었으며, 이후 공동지도교수님의 조언을 받아 Diffusion model 기반으로 확장하였다. 연구 발전 과정을 보여주기 위해 비교 실험에 포함하였다.

3. Comparison Analysis of Photovoltaic Prediction in Different Timeframes Using Observation Data: A Case Study of Horus Energy PV Solar Plant in Guatemala (Yul A(Elisa) Kim, The State of University of New York, Korea / poster)

해당 연구는 과테말라 Horus Energy 태양광 발전소에서 수집한 관측 데이터를 활용해 예측 시간 구간에 따른 태양광 발전량 예측 성능을 비교분석한 연구이며, 다양한 머신러닝 모델을 적용하여 예측 성능을 비교하였으며, 하이퍼파라미터 튜닝을 통해 최적의 성능을 도출함을 보여준 연구이다. 해당 연구는 실제 발전소 데이터를 활용했다는 점이 인상적이었다.

질문 #1. 현재 보이는 성능들은 전반적으로 전통 ML 및 Boost 계열 모델들로 보이는데 딥러닝 기반 모델로의 확장은 고려하시지 않는지? 현재 설명을 들었을때는 데이터 형식은 tabular로 보이는데 tabnet과 같은 모델을 활용해도 좋아보인다.

답변 #1. 현재는 머신러닝 모델 중심으로 분석하였으며, 향후 연구에서 딥러닝 모델에 대해서도 추가 확장 계획을 가지고 있다.

이번 학회는 위와 같은 경험들로 인해 단순히 발표 경험을 넘어 연구자로서 부족한 점과 앞으로 발전시켜야 할 방향을 명확하게 인식하게 해준 의미 있는 시간이었다. 특히 연구를 전달하는 능력, 영어 소통 능력, 그리고 연구 아이디어를 연결하고 확장하는 능력이 앞으로의 성장에 중요한 요소라는 점을 다시 한 번 깨달을 수 있었다.