2025 한국컴퓨터종합학술대회에 참가하였습니다.

처음 학회에 참여해보았는데, 다양한 분야에서 연구하고 있는 연구원분들의 생각들과 연구 내용을 들을 수 있어 좋은 기회였습니다.
다른 학회를 가보지 않아서 비교해볼 순 없지만, 개인적으로 관심 있는 시계열 분야의 포스터 발표가 거의 없었기도 하고 포스터 발표의 규모가 생각보다 크지 않다는 생각이 들었습니다. 하지만 포스터 세션 외에도 Top Conference 세션을 비롯하여 다양하게 여러 연구들을 접해볼 기회가 있어 유익했습니다.
학회 기간 중에 접했던 연구들 중에서 관심있게 들었던 부분은 아래와 같습니다.

[Top Conference 세션]

1) CAFO: Feature-CentricExplanationonTimeSeriesClassification(KDD 2024) - 발표자:김재호(UNIST)
연구분야가 Time-Series라서 관심있게 들었던 연구였습니다. 특히 기존 MTS 해석 방법들이 시간 중심적 접근에 치우쳐 있고 특성별 중요도는 고려하지 않는다는 문제인식에서 출발한 것이 인상깊었습니다.
진행하고 있는 과제에서도 센서 데이터를 분석할 때 이상 시점을 찾는 것이 우선 과제이지만, 나아가 어떤 센서가 중요한가, 또는 문제인가를 알아야하는 경우도 있는데, 이 부분에 대한 것을 짚어준 점이 흥미로웠습니다.
방법론적으로는 특성들을 QR분해를 이용하여 직교화하여 어텐션 가중치들이 서로 독립적으로 학습하도록 한 것이 주요 아이디어였고, 클래스별 특성 중요도를 고려하기 위한 메트릭을 사용한 것도 좋았습니다. 특히 DepCA 모듈을 통해 채널별로 분리된 어텐션을 학습시키면서도 전체적인 맥락을 놓치지 않는 설계가 좋은 framework라는 생각이 들었습니다.
다만 실제 구현 시 QR분해로 인한 추가적인 계산 비용이나 하이퍼파라미터 튜닝의 복잡성은 어느 정도인지 궁금했습니다. 또한 센서 개수가 매우 많거나 적을 때의 성능 변화에 대한 분석도 있었으면 더 좋았을 것 같습니다.
전반적으로 실제 산업현장에서 필요로 하는 내용이라는 생각이 들었고, 향후 센서 중요도 기반의 시스템 최적화나 유지보수 전략 수립에 활용할 수 있을 것 같아 실용적 가치가 높다고 생각했습니다.

2) Transformer for PointAnomalyDetection (CIKM 2024) - 발표자:김하림(한동대)
시계열이 아닌 tabular data에서도 Transformer의 잠재력을 활용할 수 있다는 가능성을 보여준 연구였습니다. Transformer가 일반적으로 시퀀스 데이터에 특화되어 있다고 여겨지는 기존의 시각을 확장시키는 시도라는 점에서 인상 깊었습니다.
TransPAD는 Transformer 기반의 오토인코더 구조를 활용하여 전체 데이터셋 전반의 특성 간 상호의존성을 학습함으로써, 단일 시점의 이상값을 탐지하고자 합니다.
특히 무작위 샘플링과 조건 기반 샘플링을 조합한 고유한 학습 전략을 도입하여, 기존 방법들에서 자주 발생하는 trivial generalization, 즉 너무 쉽게 일반화되어 이상을 제대로 잡아내지 못하는 문제를 효과적으로 회피한 것이 인상적이었습니다.
또한 어텐션 가중치를 기반으로 이상 점수를 산출하는 구조를 통해, 단순한 재구성 오차만을 이용하는 기존 AutoEncoder 기반 방법보다 정밀도 높은 이상 탐지가 가능하다는 점도 흥미로웠습니다.
그럼에도 불구하고, 시계열 중심의 기존 이상 탐지 접근과는 달리, 시점보다는 특성 간 관계에 주목한 새로운 시도라는 점에서 의미 있는 연구였으며, 특히 복잡한 센서 데이터를 다룰 때 어떤 센서가 이상에 더 기여하고 있는지를 파악하려는 제 연구와도 방향성이 맞닿아 있어 실용적 가치를 크게 느낄 수 있었습니다.

처음 학회에 참석해보았는데, 보다 더 다양한 분야에 대해 접할 수 있어 좋은 기회였고, 발표를 하는 많은 연구원분들을 만나며 더 열심히 개인 연구를 진행해야겠다는 동기부여를 얻게 되었습니다. 좋은 기회로 학회에 참석할 수 있게 해주신 교수님께 감사드립니다.