[학회 후기]

2026년 6월 4일부터 6월 5일까지 경주 화백컨벤션센터에서 진행된 2026 대한산업공학회 춘계학술대회에 참가하였다. 오랜만에 학회에 참가하여 설레는 마음이 컸다. 다양한 연구자들이 어떤 연구를 진행하고 있고, 현재 어떤 연구 흐름이 있는지 파악할 수 있었다. 나는 시계열 예측을 연구하고 있기 때문에, 이번 학회에서 시계열 예측 관련 발표들을 특히 관심 있게 살펴보았다.

학회에서 여러 발표를 들으며 연구의 방향성을 설명하는 방식에 대해서도 많은 것을 느꼈다. 좋은 발표는 방법론을 보여주는 것이 아니라, 왜 이 문제가 중요한지, 기존 방법에는 어떤 한계가 있는지, 제안한 방법이 그 한계를 어떻게 보완하는지를 명확하게 전달하고 있었다. 이를 보며 나의 연구 역시 방법론 자체를 설명하는 것 이외에 연구가 해결하고자 하는 문제의 필요성과 의미를 더 분명하게 전달해야겠다고 생각했다.

이번 학회에서는 나의 연구를 다른 연구자들 앞에서 공유할 수 있었다는 점에서도 의미가 컸다. 발표를 준비하는 과정에서 내가 수행한 연구의 핵심 아이디어를 다시 정리할 수 있었고, 발표 이후에는 연구를 더 발전시키기 위해 어떤 부분을 보완해야 할지 생각해볼 수 있었다.

[발표 후기]

이번 2026 대한산업공학회 춘계학술대회에서 “패턴 중심 유사도 검색과 시계열 분해를 활용한 다변량 시계열 예측 방법론”을 주제로 구두 발표를 진행하였다. 본 연구는 다변량 시계열 예측 문제에서 기존 모델들이 고정된 lookback window에 의존하기 때문에, 복잡하고 드물게 반복되는 패턴을 제대로 예측하기 못한다는 한계가 있다. 이에 본 연구에서는 현재 입력 시계열과 유사한 과거 패턴을 memory bank에서 검색하고, 그 과거 패턴 이후의 실제 미래 구간을 활용하여 예측을 보완하는 retrieval 기반 구조를 제안하였다.

발표를 준비하고 진행하면서 가장 크게 느낀 점은 연구 내용을 잘 아는 것과 그것을 청중에게 명확하게 전달하는 것은 별개의 문제라는 점이었다. 연구를 수행하는 동안에는 방법론의 세부 구조와 실험 결과에 집중하게 되지만, 발표에서는 청중이 문제의식부터 자연스럽게 따라올 수 있도록 흐름을 구성하는 것이 중요했다. 특히 왜 과거 유사 패턴을 검색해야 하는지, 검색된 정보가 어떤 조건에서 도움이 되는지, 그리고 제안 방법론의 장점과 한계가 무엇인지를 균형 있게 설명하는 과정이 중요하다는 것을 배웠다.

또한 첫 구두 발표였기 때문에 발표 전에는 긴장감이 컸지만 실제로 발표를 진행하면서 내가 연구한 내용을 다른 연구자들 앞에서 직접 설명한다는 점에서 보람을 느꼈다. 포스터 발표와 달리 구두 발표는 제한된 시간 안에 연구 배경, 방법론, 실험 결과, 결론을 하나의 흐름으로 전달해야 했기 때문에 부담도 있었지만, 그만큼 연구의 핵심을 정리하는 데 많은 도움이 되었다. 발표를 준비하는 과정에서 내가 제안한 방법론의 핵심 기여가 무엇인지, 어떤 부분을 더 명확하게 설명해야 하는지 다시 점검할 수 있었다.

이번 발표를 통해 앞으로의 연구 방향에 대해서도 많은 생각을 하게 되었다. 특히 retrieval 정보를 단순히 가져오는 것을 넘어, 검색된 과거 정보가 실제로 현재 예측에 유용한지 더 정교하게 판단하는 과정이 필요하다고 느꼈다. 또한 복잡한 시계열 데이터에서 유사도를 어떻게 정의할 것인지, 과거 유사 패턴과 미래 전개의 관계를 어떻게 더 안정적으로 모델링할 것인지에 대한 고민도 이어가야 한다고 생각했다.

질문 1: 복잡한 예측하기 어려운 시계열은 어떤 것으로 판단할 수 있나요?

답변 1: 시계열의 복잡성은 예측 불가능성으로 판단할 수 있습니다. 이를 수치화하는 대표적인 지표가 Sample Entropy입니다. Sample Entropy는 길이 m인 과거 패턴이 주어졌을 때, 다음 값까지 포함한 패턴이 얼마나 다르게 나타나는지를 측정합니다. 값이 높을수록 과거 패턴으로 미래를 예측하기 어렵다는 의미입니다.

질문 2: 전체 시계열에서 복잡한 패턴이 있는 구간에서 성능이 좋았나요?

답변 2: 실제 데이터에서 복잡성이 높은 구간을 찾고, 해당 구간에서 저의 방법론의 성능을 확인하여 추가 검증을 할 예정입니다.

질문 3: crossformer같은 기존 예측 모델도 해당 유사한 문제 상황을 해결하기 위해 나왔는데, 굳이 이 방법을 구상하신 이유가 있을까요?

답변 3: 기존의 Crossformer와 같은 모델들은 복잡한 아키텍처를 통해 데이터 내의 의존성을 학습하려 했으나, 여전히 모델의 가중치라는 한정된 메모리에만 의존한다는 한계가 있습니다. 제 방법론은 이를 극복하기 위해 학습으로 해결하기 어려운 희귀 패턴이나 비정상적 움직임을 전체 과거 데이터에서 직접 검색하여 모델에 힌트로 제공하는 방식을 선택했습니다.

질문 4: 방법론에서 사용하신 iTransformer 이외에 다른 모델도 사용할 수 있나요?

답변 4: 네, 가능합니다. 저의 방법론은 model-agnostic한 방법이기 때문에 다른 모델에도 저의 방법론을 같이 사용해서 성능을 검증해볼 예정입니다.

[청취 후기]

(1) Light Weight Quantum Autoencoder for Multivariate Time-Series Anomaly Detection (김하람/연세대학교)

“다변량 시계열 이상 탐지를 위한 경량 양자 오토인코더” 구두 발표를 청취하였다. 해당 연구는 산업 현장에서 시계열 이상 탐지의 중요성이 커지고 있는 상황에서, 기존 딥러닝 기반 오토인코더가 많은 파라미터와 연산량을 요구한다는 한계를 문제로 제기하였다. 이를 해결하기 위해 양자 오토인코더를 활용하였으며, 특히 기존 QAE가 다변량 시계열 데이터를 단순히 평탄화하여 인코딩함으로써 시간적 순서와 변수 구조를 충분히 반영하지 못한다는 점을 개선하고자 하였다.

발표에서 제안한 Light Weight QAE는 RNN의 순차 처리 방식에서 아이디어를 가져와서 각 레이어가 시간 스텝에 대응되도록 구성하고 각 큐비트가 하나의 피처를 담당하도록 설계되었다. 이를 통해 시계열의 순차적 흐름과 변수 구조를 보존하면서도 회로 깊이와 파라미터 수를 크게 줄일 수 있었다. 특히 기존 QAE나 고전 오토인코더와 유사한 성능을 유지하면서도 훨씬 적은 파라미터로 동작한다는 점이 인상적이었다.

이 발표를 들으며 이상 탐지 모델을 평가할 때 단순히 성능 지표만 볼 것이 아니라, 실제 하드웨어 환경에서 실행 가능한지, 모델이 데이터의 구조를 얼마나 잘 보존하는지까지 함께 고려해야 한다는 점을 배웠다. 또한 다변량 시계열 데이터를 다룰 때 시간 순서와 변수 간 구조를 어떻게 모델 안에 반영할 것인가는 매우 중요한 문제라는 점을 다시 느꼈다. 내가 연구하는 시계열 예측 문제에서도 성능을 위해 모델의 크기를 키우는 것보다 시계열 데이터의 특성을 반영한 설계가 중요하다는 생각을 하게 되었다.

(2) 이질적 텍스트 속성 그래프를 위한 메타패스 기반 그래프 신경망 프레임워크 (황영석/서울대학교)

“이질적 텍스트 속성 그래프를 위한 메타패스 기반 그래프 신경망 프레임워크” 포스터 발표를 청취하였다. 이 발표를 관심 있게 본 이유는 시계열 예측 분야에서도 GNN을 활용하여 변수 간 관계나 시공간적 의존성을 모델링하는 연구가 많이 이루어지고 있기 때문이다. 내가 연구하는 다변량 시계열 예측에서도 각 변수를 하나의 노드로 보고, 변수 간 상관관계나 유사한 변화 패턴을 엣지로 정의할 수 있기 때문에, 이질 그래프와 메타패스 개념이 시계열 예측에도 확장될 수 있을지 궁금했다.

해당 연구는 그래프 구조와 텍스트 속성을 함께 가지는 이질 텍스트 속성 그래프에서, 어떤 메타패스가 의미 있는 관계를 나타내는지를 판단하는 방법을 제안하였다. 기존 방법들이 사전에 정의된 메타패스나 label 정보에 의존하는 경우가 많았다면, 이 연구는 노드의 텍스트 임베딩 유사도를 활용하여 label 없이도 의미적으로 유효한 메타패스를 선택하고, 이를 GNN 학습에 반영하고자 하였다. 그래프의 연결 여부만 보는 것이 아니라, 연결된 노드들이 의미적으로도 유사한지를 함께 고려한다는 점이 인상적이었다.

이 발표를 들으며 시계열 예측에서도 비슷한 아이디어를 적용할 수 있겠다는 생각을 하였다. 예를 들어 다변량 시계열에서 변수 간 관계를 단순한 상관계수로만 정의하는 것이 아니라, 각 변수의 시계열 패턴 임베딩을 활용하여 실제로 의미 있는 관계를 선별할 수 있을 것 같았다. 또한 센서, 설비, 공정 단계, 시간 지연 관계처럼 서로 다른 유형의 노드와 관계가 존재하는 산업 시계열 데이터에서는 이질 그래프 구조를 구성하고, 메타패스 개념을 활용하여 “어떤 관계 경로가 예측에 유용한가”를 판단할 수 있을 것이라고 생각했다.

특히 내가 연구하고 있는 패턴 중심 시계열 예측 관점에서도, 과거 유사 패턴을 검색할 때 단순히 시계열 간 유사도만 보는 것이 아니라 변수 간 구조적 관계까지 함께 고려한다면 더 정교한 검색이 가능할 수 있다. 예를 들어 특정 변수의 패턴이 다른 변수의 변화와 시간차를 두고 연결되는 경우, 이러한 관계를 그래프 형태로 표현하고 GNN을 활용해 예측에 반영할 수 있을 것이다. 이를 통해 개별 시계열의 패턴을 찾는 것뿐만 아니라 변수들 사이의 관계 구조까지 고려한 시계열 예측 방법론으로 확장할 수 있겠다는 아이디어를 얻었다.