2022 대한산업공학회 춘계학술대회에 참가하여 다른 연구원분들의 흥미로운 발표를 들을 수 있는 뜻깊은 자리를 가졌습니다. 비록 졸업 심사 및 세미나가 겹치게 되어 직접 제주도에 가지는 못하고 연구실에서 온라인으로 참석하였습니다.

 

[1] 그래프 분류를 위한 FixMatch 기반 준지도 학습 네트워크

본 발표는 레이블이 없는 그래프 데이터 분류를 위한 새로운 준지도 학습 기반 그래프 분류 모델을 제안합니다. 발표를 들을 당시에는 그래프에 대한 이해도가 낮아서 어려울 것이라고 걱정했으나 제안 모델의 구조 자체가 상당히 직관적이어서 좋았습니다. 선행 연구인 GHNN은 loss로 supervised, consistency, harmonic contrastive (3가지)를 활용합니다. 이름에서도 알 수 있듯이 본 연구에서는 FixMatch를 사용하여 그래프 representation 학습 후 분류를 수행하게 됩니다. FixMatch는 loss로 supervised와 consistency (2가지)를 활용하여 연산을 줄였으며, 모델의 성능도 기존 모델의 성능을 넘는 것을 확인할 수 있었습니다. 개인적으로는 그래프 데이터에서 최초로 weaky augmentation과 strong augmentation을 적용했다는 점이 인상깊었던 것 같습니다.

 

[2] 오토인코더 기반 다변량 펌프 데이터 비지도 이상 탐지

본 연구는 Auto-Encoder(AE) 기반 이상치 탐지 모델 프레임워크를 제안하며, 모델에 대한 평가를 정성 평가를 수행합니다. 해당 모델은 정상 데이터에 sliding window를 적용하고, 이를 Fast Fourier Transform을 통해 frequency 도메인으로 변경한 뒤에 AE를 학습합니다. 실험 셋팅으로는 각각 AE에 대하여 LSTM기반/CNN기반 AE 모델을 학습하고, 이를 시각화 후 정성적으로 비교를 수행합니다. 그리고 추가적으로 FFT를 적용했을 때와 적용하지 않았을 때의 결과를 시각화 후 정성적으로 비교를 수행합니다. 개인적으로 FFT를 통해 frequency 도메인으로 변경하여 모델의 input으로 넣어주는 연구들이 실제 현업에서도 많이 사용된다고 들어서 결과가 궁금했습니다. 하지만, 실험 결과가 loss를 시각화한 자료 뿐이라 정량적인 지표로 FFT의 장점 확인이 어려워서 아쉬웠습니다.

 

[3] 차량의 외부 디자인 변경에 따른 소음 예측을 위한 설명 가능한 딥러닝 네트워크 모델

본 연구는 CNN과 attention을 활용하여 차량의 외부 디자인을 통해 소음 예측을 수행합니다. 모델 구조는 각각 차량의 외부 사진들(ex. 전체 차량 외부 디자인 3D 모델링 사진, 차량 일부 사이드 미러 사진, 등)을 input으로 받아서 각각의 사진들의 feature vector를 출력하는 CNN을 각각 학습합니다. 그리고 각 모델의 output을 self-attention에 통과시킨 뒤 이를 마지막 단에 MLP head를 통해 소음을 예측하게 됩니다. 모델 자체는 상당히 직관적이어서 이해를 했으나 차량에 대한 엔지니어링적 도메인 지식이 부족하여 데이터에 대한 이해도가 좀 떨어져서 100% 이해하지 못했던 점이 아쉬웠습니다. 데이터 파트에서 각각의 차량 모델에 대한 소음 값이 미리 있고, 그에 대한 도안을 넣어준 것인가에 대해서 좀 더 명확하게 언급되었으면 더 좋았을 것 같습니다.