지난주 금요일, 대한산업공학회 추계학술대회에 참가하여 다른 연구원분들의 흥미로운 발표를 들을 수 있는 뜻깊은 자리를 가졌습니다. 여러 세션에 참가하여 발표를 들었는데 그 중 가장 흥미로운 주제는 아래 3개였습니다.

 

[1] SimCLR 기반 Autoencoder 이상탐지 보정 방법론

본 연구는 ASD(Anomaly Sound Detection) task에서 Autoencoder(AE)를 이용한 이상치 탐지의 문제를 motivation으로 진행된 연구입니다. AE모델을 사용하게 되면 이상 데이터의 패턴과 유사한 소수 정상 데이터 패턴을 이상으로 판단한다는 문제점이 존재하게 됩니다. 이러한 문제를 해결하기 위해 SimCLR기법을 응용하게 되는데요. 먼저, SimCLR를 통해 정상 데이터의 distribution을 학습하고, K-means Clustering을 통해 M개의 군집을 생성하게 됩니다. 그리고, Mahalanobis 거리를 통해 outlier 점수로 활용하여 이상치를 감지해냅니다. 개인적으로 정말 깔끔하게 이상치감지 연구에 SimCLR를 잘 접목시킨 연구여서 흥미롭게 들을 수 있었습니다.

 

[2] 인공지능 기반 후두암/치주염 진단지원 모델 개발을 위한 후보모델 탐색 연구

본 연구 발표자분께서는 같은 세션에서 2개의 논문을 발표해 주셨습니다. 연달아 같은 내용을 발표해서 인상이 깊었습니다. 각각의 연구는 비슷한 실험 환경에서 각각 후두내시경과 치과 엑스레이 파노라마 이미지를 활용하여 인공지능 기술을 통한 후두암과 치주염 진단 모델 개발을 위한 탐색을 수행한 연구입니다. 비전 분야에서 가장 흔하게 사용되는 모델들인 YOLO, Fast R-CNN, Faster R-CNN, Efficient, CNN+GradCAM을 활용한 연구를 수행하였으며, 이를 통하여 성능 평가를 수행하였습니다. 두 연구 모두 환부에 대한 detection을 수행하였으며 치주염의 경우 Faster R-CNN이, 후두암의 경우 CNN+GradCAM이 좋은 성능이 나왔다고 말씀해 주셨습니다. 의학 데이터에서도 이러한 비전 계열 모델들의 성능이 좋다는 것을 알 수 있어 흥미로웠습니다.

 

[3] 베어링 고장 탐지를 위한 Open Set Recognition 방법론의 적용 및 비교

기계 설비는 베어링, 샤프트 등의 다양한 부품으로 구성되며, 베어링은 그 중 가장 중요한 구성으로 고장에 취약합니다. 본 연구는 이러한 베어링 고장 탐지 연구의 데이터 부족 및 불균형 문제에 집중합니다. 기존 연구들은 학습-테스트의 고장 레이블이 동일한 closed set을 가정하나 이는 실제 협업에서 모델이 처음보는 고장 발생 시 detection이 불가능하게 됩니다. 이러한 문제를 해결하기 위해 open-set 상황을 가정한 연구들이 최근에 수행되는 데 이는 단일 class의 unknown 클래스를 갖는 task에 대해서만 실험을 진행하였고, 본 연구는 이를 지적하며 이를 다중 task에 대하여 실험을 진행하였습니다. 모델은 Openmax, DOC, CROSR의 알고리즘을 사용하였고, 3퍼센트의 분류 정확도의 향상을 이룰 수 있었습니다.