지난 11월 8일 금요일에 서울대학교에서 열린 대한 산업공학회 추계학술대회에 다녀왔습니다. 여태까지 많은 산업공학회를 가봤지만 여전히 학회에 참석할 때의 기분은 새롭고 신선한 것 같습니다.

이번 학회는 GAN을 이용한 연구들이 유독 기억에 남았습니다. GAN이라는 모델이 좀 더 다양한 방식으로 활용될 수 있다는 깨달음을 주었기 때문입니다. 따라서 이번 학회에서 들은 GAN 관련 연구들에 대해 한 번 후기를 작성해보도록 하겠습니다.

1. 생산적 적대 신경망을 활용한 스켈레톤-로고 이미지 변환 기법

이 연구는 고려대학교 이홍철 교수님 연구실의 곽유영군이 발표하였습니다. 이 연구의 핵심은 이미지의 뼈대를 표현하는 skeleton으로부터 이미지를 생성해보자 였습니다. 원본 이미지로부터 skeleton으로 변환하는 기법들은 많이 연구가 진행되었지만 그 반대에 관해서는 연구가 진행되지 않았었다고 합니다. skeleton으로부터 이미지를 생성하는 GAN 모델을 로고 이미지에 관해 적용함으로써 로고 디자인 작업을 좀 더 수월하게 하는 것이 이 연구의 목적이였습니다.

이 연구에서는 새로운 모델을 제시하지는 않았고 여러가지 논문들로부터 GAN의 구조와 Loss Function등을 차용해 구성하였습니다. 사실 실험 결과는 어느정도 타당하지만 impact가 크다고 생각되지는 않았습니다. 하지만 GAN을 적용하여 디자인 관련된 분야에 도움을 줄 수 있는 연구를 진행했다는 그 자체로 꽤 흥미로웠습니다. 이 발표를 통해 연구 분야를 설정함에 있어서 좀 더 창의적이고 자유로운 사고 방식이 필요할 것 같다는 생각이 들었습니다.

 

2. Missing Data Imputation with Adversarial Autoencoders

이 연구는 고려대학교 DMQA 연구실의 강현구 박사과정이 발표하였습니다. 이 연구의 기본 골자는 데이터의 결측 값을 GAN을 통해서 생성하는 것입니다. 현대에 사용하는 데이터는 변수의 개수가 상당히 많기 때문에 오브젝트 별로 다양한 결측값이 존재할 수 있습니다. 하지만 거의 대다수의 머신러닝 모델들은 결측치를 처리하는 방법에 대해서는 다루지 않습니다. 그렇기 때문에 머신러닝을 적용하기 위해서는 그러한 결측값이 있는 데이터들을 제거한 후 진행하는 것이 일반적입니다. 하지만 실제 산업에서 데이터를 생성할 때 이런 결측값은 거의 불가피한 요소이고 그런 데이터를 제거하여 모델을 구성한다면 모델의 성능 저하로 이어지는 것은 자명합니다. 그렇기 때문에 결측값을 처리하는 메커니즘을 개발하는 것은 머신러닝 전체 관점에서 매우 필요한 연구라고 할 수 있습니다.

이 연구에서는 GAN을 이용해 결측값을 생성하는데 GAN의 생성자가 구별자가 감별해내지 못할 만큼 굉장히 그럴싸한 값을 뱉어내게끔 학습하기 때문입니다. 이렇게 GAN을 이용하면 기존의 K-means 군집화와 같은 굉장히 단순한 구조의 결측값 처리 메커니즘에 비해 훨씬 더 복잡하고 비선형적인 변수들간의 관계를 토대로 결측값을 생성할 수 있기 때문에 더 좋은 성능을 기대할 수 있습니다. 그리고 이번 발표에서는 이 기본적인 구조에서 한 발 더 나아가 adversarial autoencoder 구조를 추가로 모델에 도입함으로써 더 좋은 성능을 이끌어내고자 하였습니다. 실제 실험 결과 해당 연구에서 제안한 모델이 여러 UCI 데이터 셋에 대하여 굉장히 경쟁력있는 성능을 보이는 것을 확인할 수 있었습니다.

 

이번 학회를 통해 앞으로 어떤 모델이 있을 때 그 모델이 처음 제안된 방식으로만 활용되는 것이 아니고, 다른 방향으로 여러 가지 연구에 적용될 수 있는 가능성이 있다는 것을 항상 생각하는 습관을 기른다면 그게 좋은 연구의 첫 걸음이 될 수 있겠다는 생각이 들었습니다.