[학회 후기]

2026년 6월 경주에서 열린 대한산업공학회 춘계학술대회에 참가하였다. 이번 학회에서는 평소 연구실에서 접하는 분야뿐만 아니라 다양한 연구 주제와 방법론을 접할 수 있어 의미 있는 시간이었다. 특히 연구 분야마다 문제를 정의하고 접근하는 방식이 다르다는 점이 인상적이었으며, 이를 통해 새로운 관점을 얻을 수 있었다. 또한 예전과 비교해 발표를 바라보는 시각이 달라졌음을 느꼈다. 단순히 내용을 이해하는 것을 넘어 연구의 강점과 한계, 확장 가능성 등을 함께 생각하며 들을 수 있었고, 그만큼 연구 경험이 쌓였음을 실감할 수 있었다. 학회 기간 동안 다양한 연구를 접하며 현재 진행 중인 연구를 다시 돌아볼 수 있었고, 연구실 동기들과 함께 학회에 참여하며 좋은 자극과 재충전의 시간을 보낼 수 있었다.

이번 대한산업공학회 춘계공동학술대회에서는 "신뢰도 기반 샘플 선택을 활용한 비전 언어 모델의 테스트 시점 방법론"이라는 주제로 발표를 진행하였다. 요즘 재밌게 진행하고 있는 연구라서 그런지, 발표하는 것도 긴장되지 않고 재밌었다. 발표 이후에는 관련 연구를 수행하는 연구자들과 의견을 나누며 연구의 방향성과 개선점에 대해 생각해 볼 수 있었다. 또한 다른 분야의 발표들을 들으며 현재 연구에 적용해 볼 수 있는 아이디어들도 얻을 수 있어 의미 있는 시간이었다. 이번 학회를 통해 연구를 공유하고 다양한 관점을 접하는 것의 중요성을 다시 한번 느낄 수 있었다. 

질문 1. Cifar10/100/ImageNet-C 데이터셋에 대해서만 실험을 진행했는데, DomainNet 데이터셋은 사용하지 않을 예정인가?

답변 1. 간단한 corruption에 대한 일반화 성능을 보기 위해 Cifar류와 ImageNet 데이터셋에 대해서 우선적으로 실험을 한 것이다. 좀 더 직관적인 distribution shift을 담고 있는 officehome, domainnet 데이터셋에도 추가 실험 진행 예정이다.

질문 2. Reliability Test 내 Density Test에서 k-nn의 k와 density 하이퍼파라미터는 얼마인가?

답변 2. k는 30, density는 0.6으로 설정했다. 두 가지 모두 실험적으로 최고의 성능인 경우에 해당한다.

질문 3. 샘플에 대한 Reliability를 고려할 때 점점 기준을 완화시킨다고 했는데, linear하게 감소시키는가, 아니면 decay를 활용하는가?

답변 3. decay로 보는게 맞다. exponential하게 그 기준을 급격하게 완화시킨다. 학습 초반에는 학습 속도가 빠르기 때문에 많은 timestep을 부여하지 않기 위함이다.

[청취 후기]

1. 대규모 언어모델 파인튜닝을 활용한 생존분석 모델 설계 연구 (고려대학교 정주이)

해당 발표는 LLM을 활용하여 공정 조건의 의미론적 표현을 학습하고 공구 마모에 활용하는 연구였다. 기존 공구 마모 예측 연구는 주로 센서 데이터나 공정 변수 자체를 입력으로 사용하는 경우가 많았다. 반면 해당 연구에서는 다양한 공정 조건을 LLM을 통해 자연어 형태의 공정 분석 서술어로 변환한 뒤, 이를 의미 공간에서 학습하여 공정 조건 간 관계를 표현하는 방법을 제안하였다. 도메인 지식을 언어 형태로 변환하여 활용한다는 아이디어가 좋다고 생각하였으며 센서 신호나 마모 레이블 없이 공정 조건만으로 의미적 관계를 학습한다는 점이 인상깊었다. 해당 발표를 들으며, 대규모 언어모델을 단순한 생성 모델이 아닌 데이터 표현 학습 문제에 결합으로 활용 가능하다고 생각하였다.

2. AlienLM: Vocab 변환을 통한 API 환경에서의 대형언어모델 데이터 비식별화 방법론 (서울대학교 김재희)

해당 발표는 API 기반 LLM을 활용하는 과정에서 발생할 수 있는 데이터 유출 문제를 해결하기 위해, 민감한 정보를 보호하면서도 언어모델의 활용성을 유지할 수 있는 데이터 난독화 기법을 제안한 연구였다. 최근 많은 기업과 연구기관에서 외부 LLM 서비스를 활용하고 있는 만큼, 실제 환경에서 발생할 수 있는 보안 문제를 다루고 있다는 점에서 흥미롭게 들을 수 있었다. 특히 사람이 읽기 어려운 형태로 데이터를 변환하면서도 언어모델은 해당 정보를 활용할 수 있도록 설계한 접근이 인상적이었다. 무엇보다 기억에 남았던 점은 연구 내용뿐만 아니라 발표의 전달 방식이었다. 발표자는 연구의 필요성과 문제 상황을 먼저 설명한 뒤 해결 방안을 소개하는 흐름으로 발표를 진행하였는데, 덕분에 관련 배경지식이 많지 않은 청중도 내용을 쉽게 이해할 수 있었다. 연구를 진행하는 입장에서는 방법론의 세부 내용에 집중하는 경우가 많은데, 이번 발표를 들으며 연구의 기술적 우수성뿐만 아니라 문제의 중요성과 해결 과정의 논리성을 효과적으로 전달하는 것 또한 중요하다는 점을 다시 한번 느낄 수 있었다.

3. GuidelineAD: 시각-언어 모델 기반 검사 지침을 활용한 무학습 이상 탐지 (서울대학교 허재혁)

해당 연구는 VLM(Vision-Language Model)을 활용하여 정상 상태의 기준을 자동으로 생성하고, 이를 바탕으로 이미지 내 이상 여부를 탐지하는 방법을 제안한 연구였다. 기존 외관 검사 분야에서는 이상 데이터를 충분히 확보하기 어렵고, 새로운 제품이나 환경이 등장할 때마다 모델을 다시 학습해야 하는 문제가 존재한다. 이에 본 연구에서는 정상 데이터만을 활용해 검사 기준을 구축하고, VLM이 생성한 설명을 통해 이상 여부를 판단하는 접근을 제안하였다. 또한 단순히 이상을 탐지하는 데 그치지 않고, 왜 이상으로 판단했는지에 대한 근거까지 함께 제공한다는 점이 특징적이었다. 개인적으로는 VLM을 활용해 정상 상태를 정의하고 이를 기준으로 이상을 판단한다는 연구 주제가 매우 흥미롭게 느껴졌다. 나 역시 관련 프로젝트를 수행하면서 정상 상태에 대한 기준을 어떻게 설정할 것인지 고민한 경험이 있어, 특히 이상 점수를 산출하는 과정에 관심을 가지고 발표를 들었다. 발표에서는 이러한 핵심 아이디어와 방법론을 이해하기 쉽게 설명해 주었고, 연구의 흐름 또한 자연스럽게 전달되어 내용을 따라가기 수월했다. 이를 통해 연구 내용 자체뿐만 아니라 청중이 이해하기 쉬운 방식으로 연구를 설명하는 발표 역량의 중요성도 다시 한번 느낄 수 있었다.