데이터 마이닝 학회 역시 인공지능 학회와 비슷하게, 인공지능 기술을 베이스로 문제를 해결하고자 하는 느낌이 강하여 흥미롭게 다녀올 수 있었습니다. 최근, 딥러닝 기반 모델들에서 실질적인 산업 현장에서 가져야 할 Setting을 구성할 수 있는 Test-time adaptation에 큰 관심을 가지고 있었기에, 시계열 분석과 Test-time adaptation을 중점적으로 포스터를 찾아보았습니다. 해당 학회의 포스터 세션에서 접한 다양한 연구들 중, 특히 흥미로웠던 연구는 다음과 같습니다.

Robust Optimization-based Out-of-Distribution Generalization via Maximum Risk across Domains and Subpopulations (정진용/고려대학교, 강현구/고려대학교, 김성범/고려대학교)

실제 데이터는 이러한 가정을 충족하지 못하며, 도메인 변화(Domain Shift)와 하위집단 변화(Subpopulation Shift)와 같은 분포 변화가 발생합니다. 제안된 프레임워크는 도메인 및 하위집단 손실이 큰 경우를 고려한 강건 최적화 기반 학습 방식을 활용하여 이러한 분포 변화를 해결하고 있습니다. 제 개인 연구에서 역시 이러한 Domain shift를 다루기 위하여 test 시 학습에 유의미할 수 있는 데이터를 sampling하여 사용하고자 하고 있기에, 해당 연구의 내용이 큰 도움을 주었습니다.

Patched Diffusion Embedding for Time Series Representation Learning(조광은/고려대학교, 김성범/고려대학교)

최근 주목받는 디퓨전 모델을 시계열 데이터에 적용하며 발생하는 정보 손실 문제를 해결하기 위해 “Patched Diffusion Embedding”을 제안한 연구입니다. 이 접근법은 패치 기반 임베딩을 활용하여 시계열 데이터의 복잡한 패턴과 시간적 변동성을 정밀하게 포착할 수 있도록 설계되었습니다. 또한, class token을 활용한 contrastive learning으로 더욱 강력한 시계열 표현 학습을 구현했습니다. 발표에서는 Interpolation, Imputation, Forecasting 과제를 통해 성능을 검증해주고 있습니다. 다만, 이상탐지 역시 함께 실험해 주었다면 어땠을까라는 생각이 들었습니다.

시계열 및 이미지 멀티모달 입력 데이터를 활용한 반도체 공정 소재 이상치 탐지(백민지/고려대학교, 김성범/고려대학교)

반도체 공정에서 소재 품질 모니터링의 효율성을 높이기 위한 오토인코더 기반 멀티모달 접근 방식을 다룬 발표입니다. 제안된 방법은 마르코프 전이 필드(MTF)를 사용해 반도체 공정 데이터를 시계열 및 이미지 데이터로 변환하고, 입력 데이터에 마스킹을 적용한 후 별도의 오토인코더로 처리해 특성을 추출하고 연결합니다. 이후 셀프 어텐션 레이어와 디코더를 활용하여 모델을 훈련시키는 방식을 소개했습니다. 실험 결과는 이 멀티모달 접근법이 기존의 전통적인 방법에 비해 이상 탐지 성능과 효율성을 크게 향상시켰음을 보여줍니다. 제가 기대했던 것과는 다르게 하나의 시계열 데이터에서 이미지 형태의 데이터를 도출하여 두 모달리티를 함께 이용하는 형식이었으나, 이러한 방식도 크게 유의미할 수 있다는 것을 확인할 수 있었습니다.

처음으로 참여한 학회이지만 유익하고 좋은 경험을 하고 온 것 같습니다. 또한, 포스터 세션인 만큼 각 연구자 분들과 다양한 얘기를 편하게 나눌 수 있다는 것이 매력적으로 다가왔습니다.