[학회 후기] 

2026년 8월 17일부터 21일까지 프랑스 리옹에서 열린 제28회 International Conference on Pattern Recognition (ICPR 2026)에 참가하였다. 프랑스는 내가 처음으로 방문한 유럽 국가였고, 이번 학회에서는 Oral Presentation을 맡게 되어 설렘만큼이나 긴장도 컸다. 발표에 대한 걱정 때문인지 프랑스로 향하는 13시간 30분의 비행 동안에도 거의 절반에 가까운 시간을 발표 연습에 쏟았던 것 같다. 리옹에 도착한 후 실제로 내가 발표할 장소를 확인하고 나니 긴장감이 더욱 커졌고, 자연스럽게 연습에도 더 많은 시간을 들이게 되었다. 특히 한국어가 아닌 영어로 연구 내용을 전달해야 했기 때문에 어느 부분에 강세를 두어야 자연스러운지, 또 발음이 헷갈리는 단어들은 어떻게 읽어야 하는지를 영어 사전을 통해 반복해서 확인하며 준비했다. ICPR은 지금까지 내가 참석했던 학회들과 비교해도 규모가 상당히 컸다. 다양한 국가에서 온 수많은 연구자들이 한 공간에 모여 자신의 연구를 발표하고 이야기를 나누는 모습을 보면서 국제 학회의 규모를 실감할 수 있었다. 처음에는 그 분위기에 압도되기도 했지만, 동시에 나 역시 이곳에서 내 연구를 발표한다는 사실이 새삼 뜻깊게 느껴졌다. 학회 기간 중 열린 연회에서는 여러 나라에서 온 사람들과 자연스럽게 어울릴 기회도 있었다. 특히 나보다 키가 큰 195cm, 205cm의 사람들 사이에서 함께 사진을 찍었던 순간도 기억에 남는다. 누군가가 위에서 내 어깨에 팔을 두르는 경험은 아마 군대 이후 처음이었던 것 같다. 연구와 발표뿐만 아니라 이렇게 다양한 사람들과 만나고 이야기할 수 있다는 것 역시 국제 학회가 가진 또 하나의 매력이라는 생각이 들었다. 학회 일정 중간중간에는 교수님과 함께 간 연구원들과 리옹을 둘러보고 사진을 찍으며 즐거운 시간도 보냈다. 이후 파리로 이동해 직접 마주한 에펠탑 역시 오래도록 잊지 못할 순간으로 남을 것 같다. 사진과 영상으로 수도 없이 보았던 풍경이 실제로 눈앞에 펼쳐졌을 때의 감정은 생각보다 훨씬 특별했다. 이번 ICPR 참석을 통해 다시 한 번 이런 큰 국제 학회에 참가해 보고 싶다는 생각이 들었다. 좋은 연구를 보고 배우는 것도 물론 중요했지만, 연구라는 하나의 공통점을 가지고 세계 여러 나라의 사람들과 만나고 이야기를 나눌 수 있다는 것 자체가 나에게는 굉장히 큰 매력으로 다가왔다. 13시간이 넘는 비행 동안 긴장한 채 발표를 연습하던 순간부터 발표를 마치고, 새로운 사람들을 만나고, 리옹과 파리를 둘러보기까지. 돌이켜보면 짧은 시간이었지만 그 안에서 꽤 많은 경험을 한 것 같다. 이번 경험을 통해 또 한 걸음 성장했고, 이전보다 조금 더 나만의 경험과 경쟁력을 가진 사람이 되지 않았을까 하는 생각을 품으며 한국으로 돌아왔다.

[발표 후기] 

이번 학회에서 Oral 발표한 논문은 “BugHunter: An Automated Game Test Framework with MARL-Based Data Collection and FDM-Based Bug Detection”​이다. 기존의 게임 QA는 사람이 직접 게임을 플레이하며 데이터를 수집하고 버그를 확인해야 하므로 게임이 복잡해질수록 많은 시간과 비용이 필요하다. 또한 기존 AI 기반 자동 게임 테스트 연구는 주로 single-unit game을 대상으로 진행되어 왔지만, 본 연구에서는 여러 유닛이 동시에 상호작용하는 multi-unit game을 대상으로 자동화된 게임 QA를 수행하는 문제를 다루었다. 제안한 BugHunter는 크게 MARL 기반 데이터 수집과 FDM 기반 버그 탐지의 두 단계로 구성된다. 첫 번째 단계에서는 D-QMIX agent가 게임 환경과 상호작용하며 observation, global state, action, reward 등의 gameplay data를 자동으로 수집하고, 두 번째 단계에서는 정상 데이터로 Forward Dynamics Model(FDM)​을 학습한다. FDM은 현재 시점의 observation, state, action을 기반으로 다음 시점의 observation을 예측하며, 버그가 발생할 경우 정상적인 transition과 달라져 prediction error가 증가한다는 가정하에 이를 anomaly score로 활용하여 버그를 탐지한다. 실험은 SMAC의 2c_vs_64zg, 5m_vs_6m, MMM2 세 가지 scenario에서 세 종류의 bug를 주입하여 수행하였으며, 기존 시계열 이상 탐지 방법들과 비교한 결과 제안한 FDM이 다양한 scenario와 bug type에서 전반적으로 우수한 성능을 보였다. 또한 기존 환경에 장애물을 추가한 변화된 환경에서도 별도의 재학습 없이 일정 수준의 일반화 성능을 유지할 수 있음을 확인하였다.

질문 1) 연구에서 사용한 데이터는 공개되어 있는가?
답변 1) 네. 연구에서 사용한 데이터는 GitHub에 공개되어 있다.

질문 2) 새로운 환경을 평가할 때마다 해당 환경에서 데이터를 수집하여 다시 학습해야 하는가?
답변 2) 네. 새로운 환경에 적용하기 위해서는 해당 환경에서 정상 데이터를 수집하고 FDM을 학습한 이후 평가해야 한다. 

질문 3) 데이터를 수집할 때 사용하는 MARL에서 하나의 에이전트가 한 시점에 두 개의 행동을 수행할 수 있는가?
답변 3) 아니요. 하나의 agent는 하나의 timestep에서 하나의 action만 수행할 수 있다.

[청취 후기]

1) RaTA-Tool: Retrieval-based Tool Selection with Multimodal Large Language Models
첫 번째로 인상 깊게 본 연구는 “RoTA-Tool: Retrieval-based Tool Selection with Multimodal Large Language Models”​이다. 기존 multimodal LLM의 tool selection은 학습 과정에서 정의된 tool만 선택할 수 있는 closed-world setting에 집중되어 있어 새로운 tool이 추가될 때 대응하기 어렵다는 문제가 있다. 이를 해결하기 위해 RoTA-Tool은 사용자의 multimodal query를 구조화된 task description으로 변환하고, 이를 tool description과 embedding 기반으로 비교하여 적절한 tool을 retrieval하는 방식을 제안하였다. 또한 retrieval-aware alignment를 통해 실제 정답 tool이 더 높은 순위에 위치하도록 학습하였다. 이를 통해 별도의 재학습 없이 이전에 보지 못한 tool까지 선택할 수 있다는 점이 핵심이다. 실제 AI 서비스에서는 사용할 수 있는 tool이 계속 추가될 수 있기 때문에, tool selection을 classification이 아닌 retrieval 문제로 바라본 점이 실용적이고 흥미롭게 느껴졌다.

2) Geometry-Aware Pointer Loss for Spatial Locality 
두 번째 연구는 Table Structure Recognition에서 사용하는 pointer loss의 문제를 분석하고 Geometry-Aware Pointer (GAP) Loss를 제안한 연구​이다. 저자들은 pointer prediction에서 발생하는 오류의 대부분이 정답 cell과 공간적으로 가까운 cell에서 발생하지만, 기존 cross-entropy loss는 정답이 아닌 모든 cell에 동일한 weight를 부여한다는 점에 주목하였다. GAP Loss는 정답 cell과의 spatial distance를 고려하여 가까운 cell에 더 큰 학습 신호를 부여하고 멀리 떨어진 cell의 영향을 감소시키는 방식이다. 별도의 learnable parameter나 architecture 변경 없이 기존 모델에 적용할 수 있으며, PubTabNet과 SynthTabNet에서 성능 향상을 확인하였다. 모델 구조를 복잡하게 변경하기보다는 실제 error가 발생하는 특성을 분석하여 loss를 개선했다는 점이 인상적이었고, 비교적 단순한 아이디어로 성능을 높였다는 점이 흥미로웠다.

3) NP-DesiRe-GS: Neighborhood Planarity-Enhanced Gaussian Splatting for Robust Static-Dynamic Object Separation and Surface Alignment in Urban Scenes
세 번째 연구는 “NP-DeSiRe-GS: Neighborhood Planarity-Enhanced Gaussian Splatting for Robust Static-Dynamic Object Separation and Surface Alignment in Urban Scenes”​이다. 자율주행과 같은 urban scene에서는 움직이는 객체와 정적인 환경이 동시에 존재하기 때문에 이를 안정적으로 분리하면서 3D scene을 reconstruction하는 것이 중요하다. 본 연구에서는 motion 정보를 이용하여 static-dynamic object를 분리하고, 주변 Gaussian들의 local geometry를 고려하는 neighborhood planarity 정보를 활용하여 Gaussian들이 실제 surface에 보다 잘 정렬되도록 하였다. 특히 local Gaussian neighborhood에 PCA를 적용해 planarity와 flatness를 분석하고 이를 Gaussian scaling에 반영하였다. 단순히 각 Gaussian을 독립적으로 최적화하는 것이 아니라 주변 geometry까지 함께 고려했다는 점이 흥미로웠으며, 복잡한 urban scene에서 보다 안정적인 3D reconstruction을 위한 방법이라는 점에서 실제 자율주행 환경으로의 활용 가능성이 높다고 느꼈다.