[학회 후기]

2026년 8월 24일부터 26일까지 충남 예산 스플라스 리솜에서 열린 한국데이터마이닝학회 하계학술대회에 참가하였다. 이번 학회의 테마가 ‘From Data to Action: Agentic AI Meets the Physical World’였던 만큼, 기계공학 전공자로서 Physical AI라는 주제가 무척 반갑게 다가왔다. 향후 AI 연구에 기존 기계공학적 도메인 지식과 경험을 어떻게 효과적으로 접목할 수 있을지에 대한 고민과 기대감이 들었다.

이전에 참석했던 다른 학회들과 비교했을 때 전반적인 발표의 깊이와 완성도가 매우 높다는 인상을 받았다. 특히 우수논문 발표 세션과 포스터 세션 전반에서 불확실성 정량화(Uncertainty Quantification, UQ)를 다룬 연구들이 다수 포진해 있어 더욱 흥미롭게 지켜보았다. 다양한 산업 및 머신러닝 문제에서 UQ를 정교하고 수준 높게 활용하는 연구들을 직접 접하며 연구적 자극과 함께 많은 인사이트를 얻을 수 있었던 것 같다. 아울러 학회 공식 일정이 끝난 뒤  교수님, 연구실 동료들과 함께 시골 정취를 느끼며 맛있는 식사와 담소를 나누고 좋은 추억을 쌓을 수 있었던 점도 뜻깊었다.


[발표 후기]

발표 제목: Quantile Regression Forest를 활용한 타이어 프로파일 지점별 가변 Prediction Band 구축
발표 내용: 타이어 단면 외곽 형상인 프로파일 예측 시, 기존 점예측 방식이 갖는 신뢰도 판단의 한계를 극복하기 위해 설계 변수 및 지점(1,600 points)별 오차 특성을 반영하는 가변 Prediction Band 구축 방법론을 발표하였다. Quantile Regression Forest(QRF)로 지점별 법선 오차 분위수를 추정한 후, 프로파일 전체가 밴드 내에 포함될 확률을 보장하는 Full-profile Coverage Calibration을 적용해 밴드 폭을 최적화한 연구이다.

현장 질의응답 및 피드백:
- 질문: 각 포인트별 Band 폭을 예측할 때, Calibration 비율은 어떻게 산출하는 것인가요?
- 답변: 모델(QRF)이 예측한 지점별 오차 분위수 대비 실제 오차의 비율을 계산하고, 그중 프로파일 내 최대 비율을 Calibration Score로 정의하여 산출합니다.
- 재질문: 그렇다면 모델 학습 단계가 아닌 후처리(Post-processing) 방식에 가까운 형태인가요?
- 답변: 네, 맞습니다. 지점별 분위수 추정 모델을 먼저 구축한 뒤, 검증 샘플을 기반으로 전체 커버리지를 보정하는 후처리 방식으로 동작합니다.
- 피드백: 추후 법선 오차 분위수를 학습하는 단계에서 Full-Profile Coverage 관련 제약이나 목적식을 손실 함수(Loss Function)에 직접 반영하여 엔드투엔드로 최적화해보는 방향도 좋을 것 같습니다.

발표 소회: 포스터 앞에 서서 내 연구에 많은 관심을 보여주시고 날카로운 질문과 유익한 피드백을 주신 연구자분들께 진심으로 감사했다. 연구의 발전 방향에 대한 좋은 아이디어를 얻음과 동시에, 앞으로 수행할 연구에 대한 책임감도 한층 더 무겁게 느끼게 되었다.


[청취 후기]

1) Courtroom Analogy: New Perspective on Uncertainty-Aware Classification (ICML 2026, KAIST 윤태성·김희영)
현재 예측 불확실성을 주요 연구 주제로 다루고 있는 만큼 가장 주의 깊게 들었던 발표였다. 분류 문제를 법정 공방에 빗대어 클래스별 옹호자(Advocate) 의견과 신뢰도를 Dirichlet 혼합 분포로 모델링하고, 단일 순전파(Single forward pass)만으로 불확실성의 원인을 '증거 부족(Intra-advocate)'과 '클래스 간 경계 대립(Inter-advocate)'으로 분해하는 구조가 매우 신선했다. 향후 분류 문제에서, 미학습 데이터(OOD)가 유입되었을 때, 불확실성의 발생 원인을 세부적으로 진단하고 예측 신뢰도를 판단하는 데 유용하게 활용할 수 있을 것 같다.

2) Hierarchical Bayesian Neural Architecture Search via Sparse Architecture Learning (광운대학교 장유나·이상민)
신경망 구조를 사람이 수동으로 설계하는 대신 자동으로 탐색하는 NAS(Neural Architecture Search)라는 분야를 이번 학회를 통해 처음 접하게 되었는데, 매우 흥미롭고 유익한 발표였다. 탐색 과정에서 Posterior Relevance와 Decision Support를 분리하여, 후보 연산에 대한 신뢰도가 충분히 확보되었을 때 탐색 공간을 줄여나가는 계층적 베이지안 접근 방식이 인상적이었다. 딥러닝 모델의 구조 자체를 최적화하는 연구 분야가 어떻게 발전하고 있는지 전반적인 개념과 흐름을 새롭게 배울 수 있어 시야를 넓히는 데 큰 도움이 되었다.