[학회 후기]

2026년 6월 경주 화백 컨벤션센터에서 진행된 2026 대한산업공학회 춘계학술대회에 참가하였다. 여러 차례 참가해 본 학회지만, 올 때마다 새로운 자극을 받게 되는 것 같다. 이번에도 연구실 동료들과 함께 참가하여 즐거운 시간을 보냈고, 서로의 발표를 응원하며 좋은 에너지를 얻을 수 있었다. 학회 기간 동안 다양한 도메인의 문제를 서로 다른 관점에서 정의하고 풀어내는 연구들을 접할 수 있었다. 비슷한 방법론을 사용하더라도 어떤 문제를 풀고자 하는지에 따라 문제를 정의하는 단계에서부터 접근 방식이 달라진다는 점이 흥미로웠다. 평소에도 방법론 자체보다 문제를 바라보는 관점이 더 중요하다고 생각해 왔는데, 이번 학회를 통해 그 생각을 다시금 되새기게 되었다. 이렇게 다양한 관점을 접하다 보니 자연스럽게 내 연구도 다른 각도에서 되돌아보게 되었고, 그동안 진행해 온 연구와 생각들을 점검해 볼 수 있었던 의미 있는 시간이었다.

[발표 후기]

이번 학회에서는 "도메인별 예측 헤드의 평균화를 통한 도메인 일반화"라는 주제로 발표를 진행하였다. 본 연구는 개별 도메인들이 하나의 meta distribution으로부터 샘플링된 것이며, 테스트 도메인 역시 이 분포에 포함된다는 관점에서 출발한다. 따라서 meta distribution을 잘 추정하는 것이 곧 도메인 일반화로 이어진다고 보았으며, 이를 위해 다중 헤드 구조를 기반으로 접근하였다. 각 헤드를 해당 도메인 전문가로 학습시키는 expert loss와 함께, 헤드들의 파라미터 평균으로 정의되는 centroid 헤드를 전체 도메인 데이터에 대해 직접 학습시키는 centroid loss를 도입하여 도메인 일반화를 달성하고자 하였다.

질문 1. Camelyon17 데이터셋에서는 accuracy를 사용하였는데, iWildCam 데이터셋에서는 왜 F1 score를 사용한 것인가요?

답변 1. 해당 데이터셋은 도메인별로 데이터 수가 불균형하고, 전체 클래스 기준으로 보아도 데이터 수가 불균형합니다. 이런 상황에서 accuracy를 사용하게 되면 모델 성능을 제대로 측정할 수 없기 때문에, 불균형 상황을 반영하여 모델 성능을 측정할 수 있는 F1 score를 사용한 것입니다.

질문 2. 평균 파라미터 헤드를 사용하여 산출하는 centroid loss를 통해서 meta distribution 중심으로 모델이 학습하는 representation이 확장된다고 생각하는데, 이와 관련된 실험을 한 것이 있나요?

답변 2. iWildCam 기준으로 도메인별 representation의 second moment dispersion을 학습 과정 동안 측정한 실험이 있습니다. 제안 방법이 ERM 대비 dispersion을 낮추는 것, 즉 도메인 간 feature second moment가 보다 동질적으로 정렬되는 것을 실험적으로 확인했습니다. 

[청취 후기]

1. RAG 환경에서의 답변 불가능 질의 사전 탐지 프레임워크 (김수연 / 서울대학교, Poster)

일반적인 RAG 프레임워크는 답변을 생성하기 어려운 질의에 대해서도 억지로 답변을 만들어내서 사용자에게 혼동을 주는 경우가 많은데, 이 연구는 답변 불가능한 질의를 사전에 탐지하는 문제를 대조 학습으로 풀고자 하였다. 대조학습에서 positive, negative를 어떻게 정의하였는지 질문하였는데, 답변 가능한 질의로부터 생성된 답변을 positive, 그렇지 않은 것은 negative로 정의하였다는 설명을 들었다. 비교적 단순한 아이디어임에도 좋은 결과를 보여주었다는 점이 인상 깊었다. Hallucination이 RAG의 큰 실용적 문제라는 점을 생각해보면, 복잡한 방법론보다 문제 상황 자체를 잘 정의하고 접근한 것이 좋은 성과로 이어진 사례라고 느꼈다.

2. 불확실성을 고려한 반도체 생산라인 스케줄링 파라미터 동적 제어 (오동윤 / KAIST)

발표에서 인상 깊었던 점은 인공지능을 산업 현장에 적용할 때 기존 시스템 전체를 대체할 필요가 없다는 관점이었다. 반도체 생산라인에서 이미 운영 중인 규칙 기반 스케줄링 구조는 그대로 유지하면서, 엔지니어가 수작업으로 조정하던 파라미터만을 강화학습으로 제어하였는데, 사람이 반복적으로 수행하던 의사결정 영역을 찾아 그 부분만 자동화했다는 점에서 현장 적용을 세심하게 고려한 연구라고 느꼈다. 또한 생산 공정을 공정 단계 노드와 설비 간 경쟁 관계로 이루어진 그래프로 표현하여, 작은 환경에서 학습한 모델을 구조가 다른 더 큰 환경으로 확장할 수 있도록 한 점도 흥미로웠다. 학습 환경과 다른 환경에서도 동작하는 모델을 목표로 한다는 점에서 내가 연구하는 도메인 일반화와도 어느 정도 맞닿아 있다고 느꼈고, 성능만큼이나 환경 변화에 견디는 구조를 설계하는 것이 중요하다는 점을 다시 생각하게 되었다.