[학회 후기]

2026년 8월 24일부터 26일까지 예산 스플라스 리솜에서 열린 한국데이터마이닝학회 하계학술대회에 참가하였다. 이번 학회에서는 최근 많은 관심을 받고 있는 Agentic AI와 Physical AI를 중심으로 초청강연과 다양한 연구 발표가 진행되었다. 평소 내가 연구하고 있는 분야뿐만 아니라 제목을 보고 흥미가 생긴 여러 발표도 함께 들으며 다양한 주제의 연구를 접할 수 있었다.

특히 인상 깊었던 점은 최근 발표된 연구들을 논문의 저자가 직접 설명하는 세션이 마련되어 있었다는 것이다. 논문으로만 접했을 때는 이해하기 어려웠던 연구도 연구자가 직접 문제의 배경과 핵심 아이디어를 설명하는 과정을 들으니 훨씬 쉽게 이해할 수 있었다. 또한 같은 문제를 해결하더라도 연구마다 문제를 바라보는 관점과 접근 방식이 다르다는 점도 흥미로웠다.

여러 발표를 들으며 단순히 기존 모델의 성능을 높이는 것뿐만 아니라, 어떤 문제를 정의하고 기존 방법의 한계를 어떻게 바라보는지가 연구에서 매우 중요하다는 점을 다시 느낄 수 있었다. 평소에는 현재 진행하고 있는 연구에 집중하다 보니 다른 분야의 연구를 충분히 접하기 어려웠는데, 이번 학회를 통해 새로운 방법론과 연구 아이디어를 다양하게 살펴보면서 연구에 대한 시야를 넓힐 수 있었다.

짧은 일정이었지만 여러 연구자들의 발표와 연구에 대한 고민을 직접 들으며 앞으로 연구를 진행할 때 참고해보고 싶은 아이디어도 얻을 수 있었다. 현재 수행하고 있는 연구 역시 단순한 성능 향상에만 집중하기보다 문제를 명확히 정의하고, 연구 결과가 실제로 어떤 의미와 활용 가능성을 가질 수 있을지 함께 고민해야겠다는 생각이 들었다. 전체적으로 다양한 연구를 접하며 새로운 자극과 연구 방향에 대한 고민을 얻을 수 있었던 의미 있는 학회였다.

[발표 후기]

발표 제목: Cross-Attention 기반 이미지-Tabular 멀티모달 학습을 통한 타이어 Profile 편차 예측과 설계변수 영향 해석

발표 내용: 이번 학회에서는 타이어 설계변수와 몰드 이미지를 함께 활용하여 실제 타이어 Profile의 1,600개 지점별 편차를 예측하는 연구를 포스터로 발표하였다. 단순히 두 입력을 결합하는 방식이 아니라 Cross-Attention을 통해 설계변수와 몰드 형상 간의 상호작용을 학습하도록 구성하였으며, Attention Map을 활용해 영역별 주요 설계변수의 영향도도 함께 해석하였다.

실험 결과 제안한 방법이 Tabular만을 활용한 모델과 단순 Concat 방식보다 MAE, MSE, Hausdorff Distance에서 모두 좋은 성능을 보였다. 또한 Tread와 Sidewall 등의 영역에서 물리적 특성과 연관된 설계변수의 영향이 나타나는 것을 확인할 수 있었다.

질문(1) 

Attention Pooling은 어떻게 진행되는 건가요?

답변(1) 

Tabular와 Image의 혼합된 Fused Token을 각각의 weight를 기준으로 하나의 벡터로 통합하는 과정을 수행합니다.

질문(2)

히트맵에서의 진한 색 및 옅은 색이 의미하는 바는 무엇인가요?

답변(2)

진한 색으로 표현된 히트맵의 영역일수록 해당 부분에 특정 설계변수가 더 큰 영향을 준다는 것을 의미합니다. 또한 전체적인 타이어 형상을 예측할 때 해당 영역이 중요함을 의미합니다.

이번 발표를 준비하고 여러 사람에게 연구를 설명하면서 연구의 핵심을 보다 간결하게 전달하는 방법을 배울 수 있었다. 또한 예측 성능뿐 아니라 결과를 어떻게 해석하고 실제 설계에 활용할 수 있을지까지 고민해볼 수 있었던 좋은 경험이었다.

[청취 후기]

(1) ProMem: Process-Aware Memory Matching for Industrial Video Anomaly Detection (연세대학교 심준교 / 신범교 / 윤현수)

해당 연구는 산업 현장의 비디오 이상 탐지에서 반복적으로 나타나는 공정의 순서와 시간적 구조를 활용하는 방법을 다룬 연구였다. 기존 산업 비디오 이상 탐지 방법은 주로 reconstruction이나 prediction 기반으로 접근하기 때문에 별도의 학습이 필요하고, 정상 공정이 일정한 순서와 주기를 반복한다는 특성을 충분히 활용하지 못한다는 한계가 있다. 이를 해결하기 위해 ProMem은 사전 학습된 visual encoder를 고정한 상태에서 정상 영상의 특징을 Memory에 저장하고, 공간·시간·주파수 특징을 이용해 공정 단계별로 여러 개의 순차적인 Memory Bank를 구성한다. 이후 입력 영상의 특징이 어떤 공정 단계에 해당하는지를 매칭하고, Memory와의 feature 차이뿐만 아니라 정상적인 공정 순서에서 벗어났는지까지 함께 고려하여 이상을 탐지한다.

평소 Video Anomaly Detection 연구에서는 영상 내에서 발생한 시각적인 이상을 얼마나 잘 구분하는지가 중요하다고 생각했는데, 이번 발표를 통해 산업 영상에서는 단순한 외형적 이상뿐만 아니라 공정이 진행되는 순서 자체도 중요한 이상 정보가 될 수 있다는 점이 특히 인상 깊었다. 예를 들어 각 장면 자체는 정상처럼 보이더라도 특정 단계가 누락되거나 순서가 뒤바뀐다면 공정 전체에서는 이상으로 판단할 수 있다는 것이다. 또한 복잡한 모델을 새롭게 학습시키기보다 정상 데이터의 특징을 Memory로 구성하고 공정 구조를 활용했다는 점도 흥미로웠으며, 실제 산업 환경의 특성을 모델 설계에 직접 반영하는 것이 중요하다는 점을 느낄 수 있었던 발표였다.

(2) AlienLM: Alienization of Language for API-Boundary Privacy in Black-Box LLMs (서울대학교 김재희 / 강필성)

해당 연구는 상용 LLM API 사용 시 Prompt와 Response가 외부 서버에 평문으로 전달되면서 발생하는 개인정보 노출 문제를 다룬 연구였다. 이를 해결하기 위해 원래 Token을 다른 Token으로 일대일 대응시키는 Vocabulary-level Bijection을 활용하여 사람이 읽기 어려운 ‘Alien Language’로 변환한 뒤 API에 전달하고, LLM은 Alien Adaptation Training을 통해 해당 언어를 이해하도록 학습한다.

개인적으로는 모델 내부 구조를 수정하거나 복잡한 암호화 방식을 사용하는 대신, LLM과 주고받는 언어 자체를 변환해 개인정보 노출을 줄인다는 발상이 가장 인상적이었다.