[학회 후기]

2026년 8월 충남 예산에서 개최된 한국데이터마이닝학회 하계학술대회에 참가하였다. 이번 학회에서는 포스터 발표를 진행하며 다양한 연구자들과 연구에 대한 의견을 나눌 수 있었다.

특히 많은 연구가 포스터 세션으로 진행되어 연구의 세부적인 부분까지 자유롭게 이야기할 수 있어 의미가 있었다. 연구를 진행하며 당연하게 생각했던 부분에 대해서도 질문을 받으면서 연구 동기와 한계를 다시 생각해 볼 수 있었고, 다른 연구들을 통해 다양한 관점을 접할 수 있었다. 

[발표후기]

발표 제목: 게임 콘텐츠 생성을 위한 정답 데이터 없는 환경에서의 GRPO 기반 강화학습 프레임워크

발표 내용: 본 연구는 정답이 되는 게임 맵 데이터 없이 사용자가 요구하는 조건을 만족하는 콘텐츠를 생성하는 것을 목표로 한다. GRPO 기반 학습 과정에서 발생하는 sparse reward와 공간 추론의 어려움을 완화하기 위해 Curriculum Learning, Domain Prompt, Q&A를 함께 활용하였다.

질문 (1) GRPO 학습 초기에 collapse가 발생하는 이유는 무엇인가요?

답변 (1) 학습 초기에는 모델이 객체 생성, 경로 연결, 목표 거리와 같은 여러 조건을 동시에 만족하는 맵을 생성하기 어렵기 때문에 대부분의 결과가 비슷하게 낮은 reward를 받게 된다. GRPO는 그룹 내 샘플의 상대적인 reward 차이를 이용해 학습하기 때문에 이러한 상황에서는 유의미한 학습 신호를 얻기 어렵고 학습이 불안정해질 수 있다. 이를 완화하기 위해 제안 방법론에서는 쉬운 조건부터 점진적으로 학습하는 Curriculum Learning을 적용하였다.

질문 (2) 제안 방법은 게임 분야가 아닌 다른 방향으로 확장할 수 있나요?

답변 (2) 본 연구의 핵심은 게임 자체보다는 정답 데이터가 없는 상황에서도 생성 결과가 주어진 조건을 만족하는지를 reward로 평가하며 학습할 수 있다는 점에 있다. 따라서 생성 결과에 대해 명확한 제약조건이나 평가 기준을 정의할 수 있는 문제라면 다른 분야에도 확장 가능성이 있다고 생각한다.

질문 (3) 왜 정답 데이터가 없는 환경에서 학습해야 하나요?

답변 (3) 게임 콘텐츠의 경우 새로운 게임이나 생성 조건이 추가될 때마다 이를 만족하는 정답 맵을 대량으로 제작하는 데 많은 비용이 필요하며, 경우에 따라서는 학습에 사용할 정답 데이터 자체가 존재하지 않을 수도 있다. 따라서 정답 맵 대신 콘텐츠가 만족해야 하는 조건을 reward로 정의하여 학습할 수 있다면, 새로운 환경에서도 별도의 정답 데이터 구축 없이 콘텐츠 생성을 학습할 수 있다는 장점이 있다.

[청취 후기]

1. Harmonized Cone for Feasible and Non-conflict Directions in Training Physics-Informed Neural Networks - (부도현/KAIST)

해당 연구는 PINN에서 여러 loss를 동시에 최적화할 때 발생하는 gradient 문제를 다룬 연구였다. 기존 방법들이 loss reweighting이나 gradient conflict 완화에 각각 초점을 맞췄다면, 본 연구에서는 여러 loss를 동시에 감소시킬 수 있는 방향을 찾는 것이 중요하다고 보았다. 이를 위해 feasible direction과 non-conflict direction을 동시에 만족하는 영역을 Harmonized Cone으로 정의하고, 해당 영역에서 update direction을 결정하는 HARMONIC을 제안하였다.

특히 여러 loss 중 일부를 희생하는 것이 아니라 가능한 한 모든 loss가 함께 감소할 수 있는 방향으로 학습함으로써 학습 안정성을 확보한다는 점이 흥미로웠다. 또한 이러한 조건을 추가적으로 고려함에도 기존 방법과 비교해 계산 시간이 크게 증가하지 않아, 학습 안정성과 계산 효율성을 동시에 확보했다는 점도 인상 깊었다.

2. A Global-Local Frequency-Based Composite Loss Function for Enhancing Spatial Sharpness in Precipitation Prediction - (안수빈/서울대)

해당 연구는 딥러닝 기반 강수 예측에서 MSE를 사용할 경우 예측 결과가 흐려지고 국지적인 강수 구조가 제대로 표현되지 않는 문제를 다루었다. 이를 해결하기 위해 Fourier Transform을 이용한 전역적인 주파수 정보와 Dual Tree Complex Wavelet Transform을 이용한 지역적인 구조 정보를 함께 반영하는 WFCL을 제안하였다.

주파수 정보를 활용할 때 일반적으로 Fourier Transform이나 Wavelet Transform 중 하나를 사용하는 경우가 많은데, 두 방법의 장점을 하나의 loss에 함께 반영했다는 점이 인상 깊었다. 특히 Wavelet Transform을 통해 여러 방향의 고주파 밴드에서 지역적인 구조를 반영하는 동시에, 이 과정만으로 충분히 반영하기 어려운 전역적인 저주파 정보는 Fourier Transform을 통해 보완하였다. 서로 다른 주파수 표현을 함께 활용함으로써 강수 패턴의 국지적인 선명도와 전체적인 구조를 모두 고려하고, 결과적으로 성능 향상으로 이어졌다는 점이 흥미로웠다.