졸업 전 마지막 산업공학회에 참석하였습니다. 작년과 마찬가지로 제주도에서 개최되어 바쁜 일정 속 잠깐의 기분전환까지 할 수 있었습니다. 재미있었던 발표 관련 짧은 소감을 아래에 남깁니다.

1. 챗봇을 위한 연속된 대화 문장에서의 감정 분석 방법 (박준형 et al., 동국대학교 산업시스템공학과)

현재 제가 연구 중인 multi-turn 대화 구조를 다룬 반가운 발표였습니다. 여러 턴으로 구성되어 있는 대화는 문맥 정보를 반영하는 것이 굉장히 어려운 과업이기 때문에 이를 잘 반영하는 모델 구조 또는 데이터셋의 중요성이 특히나 강조되는 것 같습니다. 본 연구에서는 연속되는 두 문장의 정보를 함께 반영하여 감정 분석 성능을 향상시켰습니다. 선행 문장과 타겟 문장 간의 cross attention을 수행한 모델이 단일 문장을 학습한 모델의 성능을 능가하는 것을 확인했습니다. 정의하신 문제 이외에도 연속된 두 문장이 아닌 더 많은 문맥을 기억해야 하는 상황, 또는 지시대명사 등으로 변형된 개체를 추적하는 상황 등 아직 해결해야 하는 문제가 많기 때문에 제안하신 감정 분석 과업에 대해서도 이후 연구가 기대되었습니다.

2. Autoencoder with Activated Bottleneck Nodes (이재원 et al., 아주대학교 인공지능학과)

차원 축소를 통해 얻어진 latent vector를 사용하여 다양한 downstream task를 수행할 수 있다는 점에서 오토인코더는 활용성이 높은 구조입니다. 다만 차원을 얼마나 축소하는 것이 적절한지에 대해서는 아직도 사용자의 많은 시행착오가 필요하기 때문에 본 연구에서는 이를 자동적으로 선정할 수 있는 방법에 대해 고민하였습니다. 이에 학습을 진행하면서 활성/비활성 가중치를 판단한 후 비활성 가중치를 제거하는 방법을 제안합니다. 학습 중 업데이트가 잘 되지 않는 비활성 가중치의 특성을 활용한 아주 재미있는 아이디어라 생각했습니다. 결과적으로 거의 유사한 성능을 내면서도 latent vector의 크기를 줄일 수 있음을 실험적으로 보여주셨는데, 중단 조건이나 추가적인 auxiliary criterion을 더 정교화할 수 있다면 오토인코더 기반 방법론에서 자주 사용될 수 있는 기법이 될 것 같았습니다.

3. 차량 외부 디자인 변경에 따른 바람 소음 예측을 위한 설명 가능한 딥러닝 모델 (김태연 et al., 고려대학교 산업경영공학과)

자동차가 주행 중 바람에 대한 저항을 고려하여 디자인된다는 것을 얕게나마 알고 있었는데, 딥러닝 기반 방법론이 이 문제를 다룰 수 있다는 것이 신기하여 살펴보았습니다. 본 연구에서는 다양한 관점에서 실험인자를 확인할 수 있는 이미지 데이터셋을 사용하였고, CNN 기반 모델로 특징을 추출한 다음 self-attention을 수행하여 최종적으로는 바람에 의한 소음에 영향을 미치는 영역을 시각화하였습니다. 데이터 내에 실험인자에 대한 tabular 수치가 있었다면 이를 사용하여 적합시킨 모델의 성능 대비 얼마나 좋은지 궁금하였습니다. 만약 제안하는 방법이 더 우수한 성능을 보인다면 현업에서도 적용할 여지가 많은 방법론이라는 생각이 들었습니다.