2024년 대한산업공학회 춘계공동학술대회에 발표자로 참여하며 여러 세션도 참관하였습니다. 개인적으로는 네번째 참석이었으며 발표는 두번째였습니다. 지난번 발표에 이어 이번 발표를 통해 그동안 연구실 생활을 하며 꾸준히 발표 연습을 해온 것이 큰 도움이 됨을 느꼈습니다. 가능하다면 해당 학기 졸업 예정자 분들께 발표 참여를 권하는 바입니다. 학위심사논문 발표 전 연습의 기회가 되기도 하며 자료를 미리 작성할 수 있어 본 학위심사논문 발표 때 큰 도움이 될 것 같습니다.

산업공학회 학술대회다보니 대부분이 과업 중심적이거나 직접 데이터를 크롤링 한 후 직접 분석한 결과를 공유하는 발표들이었던 것 같습니다. 산업공학적 데이터 분석이란 결국 현업이나 실생활에서 데이터를 어떻게 활용할 수 있을 것인지에 대한 고민이 필요하다고 생각합니다. 따라서 응용성의 측면이 강하고 데이터로부터 분석 결과에 이르기 위한 전체 프레임워크가 중요하며 내부 구성요소의 합리성이 확보되어야할 것입니다.

이번 학술대회는 비슷한 주제의 발표들로 각 세션을 구성한듯 하였습니다. 이에 흥미로웠던 두 개의 세션이 있었는데, 첫번째는 그래프 데이터 및 그래프 네트워크 관련 세션이었습니다. 시간이 지나며 저의 개인연구 주제가 조금씩 구체화되어 그런지 몰라도 그래프를 주제로 다룬 발표가 이전 학술대회에서는 눈에 띄지 않았는데 이번 학술대회에서는 적지 않게 있었습니다. 특히 아주대학교의 신현정 교수님 연구실에서 많은 분들이 그래프 데이터를 주제로 발표를 진행하셨습니다. 대표적으로 두 가지의 연구 모두 그래프 네트워크 내 대조학습(contrastive learning)에 관하여 소개되었습니다.

첫번째 ‘엣지 분포를 활용한 네거티브 노드 샘플링(연정흔,신현정*/아주대학교)’은 노드 차원에서 네거티브 샘플링을 좀 더 효과적으로 하기 위한 방법에 관한 연구였습니다. 본 연구에서는 네트워크의 동류성이라는 주요 특성을 활용하였습니다. 이는 노드의 클래스가 다르면 degree를 기준으로 차수의 분포도 다를 것이라는 특성입니다. 아래의 그림과 같이 노드의 클래스는 두 가지이고 degree는 1부터 5까지의 값을 가질 때 각 클래스별 차수관계 분포를 확인할 수 있습니다. 이를 다시 노드 차원의 확률 값으로 구성된 인접행렬로 표시한 후 이를 기반으로 positive와 negative 노드를 샘플링하게 됩니다. 결과적으로 차수 기반의 분포를 이용한 셈인데, 이를 중심성 관점에서 보면 degree centrality의 관점으로도 본 것이지 않을까 생각이 듭니다. 따라서 각 노드별 여러 centrality의 값을 확률 분포화하여 유사한 분포를 갖는 노드를 기준으로 대조학습을 위한 샘플링을 진행한다면 어떨까 하는 아이디어를 생각해보았습니다.

두번째 ‘그래프 수준 대조학습을 위한 네거티브 샘플 차별화(최명수,신현정*/아주대학교)’도 그래프 전체 차원의 대조학습에 관한 연구입니다. 기존 방법론들은 배치에 존재하는 임의의 그래프를 앵커로 지정한 후 나머지들을 negative 샘플로 간주합니다. 그 후 배치에 존재하는 모든 그래프에 augmentation을 적용해 positive, negative 샘플의 수를 증가한 후 대조학습을 진행하는 형태입니다. 그러나 배치를 구성할 때 label 정보가 없는 경우 이미 false negative 샘플이 포함될 수도 있다는 한계가 존재합니다. 이를 방지하기 위해 본 연구에서는 모든 종류의 그래프를 graph kernel 중 하나인 graphlet kernel을 이용해 그래프 간 유사도를 기준으로 유사도가 높은 것을 positive sample, 유사도가 낮은 것을 negative sample로 간주하는 방식을 제안하였습니다. 결과적으로 그래프간의 유사도를 정의하므로써 배치를 구성할 때 pos/neg sampling의 정확도를 높이고자 하는 연구입니다. 따라서 기존의 GraphCL같은 방법론에 추가적으로 적용 가능한 add-on 식의 기법이라 볼 수 있습니다. 실험결과가 조금 더 다채로웠으면 하는 아쉬움이 남습니다.

다음으로 흥미롭게 들었던 세션은 고객 리뷰데이터를 활용한 연구들이었습니다. 현업에서 가장 수요가 많은 텍스트 분석 연구는 아무래도 리뷰 데이터 분석이지 않을까 싶습니다. 해당 세션 중 ‘리뷰 텍스트 기반의 유저 의도를 반영한 시퀀셜 추천 시스템(황선진, 이영훈*/서울과학기술대학교)’은 시퀀셜 추천시스템 과업에 동일한 사용자의 리뷰를 반영하는 연구를 소개하였습니다. 본 연구에서는 흔히 그래프 네트워크를 기반으로하는 방법론과는 다르게 트랜스포머만을 이용하여 방법론을 구성하였습니다. 추가로 제품과 해당 제품의 리뷰를 positive sample로 간주하고 그 외의 pair를 negative sample로 간주한 대조학습에 대한 손실함수 값을 이용한 점도 인상깊었습니다. 생각보다 framework가 복잡하지 않았던 점도 눈에 띄었습니다.

기억에 남는 또 다른 연구는 ‘제품 특성을 활용한 온라인 리뷰 유용성 예측 모델 개발(최현우 외/경희대학교)’였습니다. 본 발표를 통해 리뷰 유용성 예측(Review Helpfulness Prediction)이라는 과업을 새로이 알게 되었습니다. 이는 쇼핑몰 사이트에서 공개하는 리뷰에 가령 ‘좋아요’ 표시의 개수(helpfulness votes)를 예측하는 과업이라고 볼 수 있습니다. 아마존에서 공개한 데이터셋(https://amazon-reviews-2023.github.io/) 을 이용한 연구로 꽤나 현업에서 많이 활용될 수 있는 방법론들이지 않을까 생각합니다.

이번 대한산업공학회 학술대회는 편안한 마음으로 알차게 참여하고 왔습니다. 개인적인 목표가 있다면 앞으로 학위과정을 마칠 때 까지 매년 발표자로 참여하여 이와 같이 다른 흥미로운 연구들도 함께 살펴보고자 합니다. 여러 방면으로 지원해주신 교수님께 감사드립니다.