2024 대한산업공학회 추계학술대회는 제가 처음으로 제 연구에 대해 발표하는 시간을 가졌던 학술대회이기 때문에, 그 감회가 남다릅니다. 같은 산업공학 분야, 특히 그 중에서 산업과 관련된 인공지능을 연구하는 다양한 사람들의 연구를 듣다보니 제가 발 담그고 있는 분야에서 특히 필요하고 더 많은 기술을 필요로 하는 것이 어떤 것인지에 대해 힌트를 얻은 경험이었던 것 같습니다.

 

GlocalCLIP : 객체 비종속적 전역-국소 프롬프트 학습을 통한 Zero-shot 이상 탐지

이번 발표에서는 Zero-shot Anomaly Detection(ZSAD) 방법론인 GlocalCLIP을 소개했습니다. GlocalCLIP은 Object-agnostic Glocal Semantic Prompting을 도입해 전역(Global)과 국소(Local) 프롬프트를 명시적으로 분리하여 학습 구조를 개선했습니다. 이 접근법은 Deep text prompt tuning으로 텍스트 정보를 세밀하게 조정하는 것이 가장 큰 특징입니다. 이미지 특징은 다른 많은 방법론에서 활용하는 것처럼 V-V attention을 활용합니다. 또한, Glocal contrastive learning을 활용하여 전역과 국소 프롬프트가 상호 보완적으로 학습될 수 있도록 최적화 방법을 제안했습니다. 제조 및 의료 데이터셋 실험 결과, 이 방법이 높은 일반화 성능과 효과를 입증했으며, ZSAD의 실용 가능성을 보여주면서 기존 방법론의 한계를 해결한 혁신적인 접근으로 주목받았습니다. 본 연구는 제 개인연구와 밀접한 관련이 있는만큼 정말 집중해서 들었던 것 같습니다. 같은 문제를 다른 사람은 어떻게 해결하고자 했나를 듣는 경험이 매우 특별했습니다.

 

M-TTA: Masked Autoencoder기반 Test-Time Adaptation을 활용한 다변량 시계열 이상탐지

이 연구는 실제 산업 현장 데이터나 연구용 벤치마크 데이터셋에서 자주 발생하는 Distribution Shift 문제를 해결하기 위해 M-TTA라는 새로운 방법론을 제안했습니다. 연구에서는 Distribution Shift를 다루기 위해 최근 활발히 연구되고 있는 TTA(Test Time Adaptation)를 활용했으며, TTA 초기에 잘못된 Pseudo-label이 모델 업데이트에 반영되어 성능이 저하되는 문제를 지적했습니다. 이를 해결하기 위해 Masked Autoencoder와 TTA를 결합한 시계열 이상 탐지 방법론을 도입했습니다. 제안된 방법론은 Offline Training 단계에서 입력 데이터를 Masking한 후 이를 복원하도록 학습시키고, Online Test-Time Adaptation 단계에서는 Masking을 적용하여 재구성 오류와 최종 이상 점수를 계산하는 방식으로 이루어져 있습니다. 연구를 통해 TTA에 Masking을 적용하는 접근법이 신선하게 느껴졌으며, Masking 비율이 모델 성능에 중요한 영향을 미친다는 점도 확인되었습니다. 그러나 실제 산업 현장 데이터에 적용할 경우 Masking 비율을 최적화하는 데 시간이 많이 소요될 수 있다는 한계도 드러났습니다. 컴퓨터 비전에 대해 연구하고 있지만, 기업 과제를 몇 차례 하면서 시계열 이상치 탐지 방법론을 사용한 경험이 많습니다. 시계열 이상치 탐지에서의 어려운 점을 알기 때문에 저의 주 연구분야가 아니지만 새로운 방법론이 제안되면 흥미롭게 찾아보고는 했는데, 본 연구가 특히 그러했던 것 같습니다.

 

AnoPLe: Few-Shot Anomaly Detection via Bi-directional Prompt Learning

이 세션에서는 기존 이상 탐지 연구의 한계였던 대량의 정상 데이터 확보 문제를 해결하기 위한 새로운 접근법이 제시되었습니다. 적은 수의 정상 샘플만으로도 효과적인 이상 탐지가 가능하도록 한 양방향 멀티모달 프롬프트 학습과, 단일 이미지 기반으로 정밀한 이상 감지를 가능하게 한 경량 디코더의 활용이 특히 주목할 만했습니다. 발표된 새로운 이상 탐지 방법론인 ‘AnoPLe’는 정상 샘플만을 사용해 이상을 탐지하며, 텍스트와 시각적 정보를 양방향으로 결합하는 프롬프트 학습 방식을 도입해 풍부한 의미 정보를 학습할 수 있도록 설계되었습니다. 이를 통해 프롬프트 학습의 가능성과 중요성을 다양한 이상 탐지 문제 해결의 관점에서 확인할 수 있었습니다.