금일 세미나에서는 “Multiple Instance Learning in Time Series”를 주제로, MIL의 기본 개념부터 이를 시계열 분류 과업에 적용한 최신 연구들을 폭넓게 다뤄주셨습니다. 특히 instance-level 라벨이 부재한 현실적인 시계열 데이터 환경에서, bag-level supervision만으로도 의미 있는 분류가 가능하다는 점이 MIL의 강점으로 잘 전달되었습니다. 더 나아가, 이러한 구조를 통해 해석 가능성까지 자연스럽게 확보할 수 있다는 점이 흥미로웠습니다.

ICLR 2024 논문에서는 MIL pooling 구조를 활용해 시계열 분류 모델에 내재적인 해석 가능성을 부여한 점이 인상적이었습니다. 어떤 시점이 예측에 중요한 역할을 했는지를 직관적으로 설명할 수 있다는 점에서, 기존 블랙박스 모델의 한계를 잘 보완한 접근이라고 느꼈습니다. 한편 ICML 2024의 TimeMIL은 기존 MIL의 한계였던 시간적 순서와 상관관계를 명시적으로 반영한 방법론을 제시했습니다. 이를 통해 다변량 시계열 분류에서 성능 향상뿐 아니라 이론적 설득력도 함께 확보한 점이 인상 깊었습니다.

두 논문을 함께 살펴보며, 시계열 MIL에서의 핵심은 instance 정의와 pooling 방식의 설계, 그리고 시간 정보를 어떻게 반영할 것인가라는 점을 명확히 이해할 수 있었습니다. 현실 적용 가능성이 높은 문제 설정과 함께, 성능과 설명력을 동시에 고려한 방향성이 잘 드러난 세미나였다고 생각합니다. 유익한 발표 준비해주셔서 감사합니다.

이번 세미나에서는 “Multiple Instance Learning in Time Series”와 관련된 두 논문을 설명해주셨습니다. 개별 데이터가 아닌 데이터의 집합인 bag 단위로 라벨이 주어지는 Multiple Instance Learning(MIL)을 시계열 데이터에 적용하는 방안에 대해서 다뤘습니다. 시계열 MIL을 하나의 시계열 내 구간들을 인스턴스로 보는 관점과 여러 시계열의 모임을 bag으로 보는 관점으로 나누어 설명하며, 이는 모든 시점에 정밀한 라벨을 붙이기 어려운 Weakly Supervised Learning 환경에서 매우 효율적임을 강조했습니다. 주요 방법론으로 ICLR 2024 논문에서는 단변량 시계열의 설명력을 극대화하는 Conjunctive Pooling(MILLET)을 소개해주셨습니다. 또한 ICML 2024 논문에서는 다변량 시계열의 시간적 상관관계를 학습 가능한 파라미터로 반영하는 Time-aware MIL Pooling(TimeMIL) 등을 소개하며, 어텐션 메커니즘을 통해 백 내부에서 실제 이상이 발생한 핵심 지점을 찾아낼 수 있음을 보여주었습니다. 결과적으로 MIL은 시계열 데이터의 라벨링 비용을 절감하면서도 중요한 이벤트가 포함된 구간을 효과적으로 식별할 수 있는 산업공학 측면에서 효과적인 프레임워크임을 확인할 수 있었습니다. 좋은 발표 준비해주셔서 감사합니다.

이번 세미나에서는 “Multiple Instance Learning in Time Series”를 주제로, 시계열 데이터에 MIL을 적용하는 전반적인 흐름과 최신 연구들을 체계적으로 정리해주셔서 이해하기 쉬웠습니다. 모든 시점에 대해 정확한 라벨을 부여하기 어려운 현실적인 상황에서, bag-level supervision만으로 학습이 가능하다는 MIL의 문제 설정이 시계열 데이터와 매우 잘 맞는다는 점이 잘 드러났다고 느꼈습니다. 특히 예측 결과와 함께 어떤 구간이 중요한 역할을 했는지를 함께 확인할 수 있다는 점에서, 성능뿐 아니라 해석 가능성 측면에서도 매력적인 접근이라는 인상을 받았습니다.

소개해주신 ICLR 2024 논문은 MIL pooling 구조를 활용해 단변량 시계열 분류에서 중요한 시점을 명확히 드러낼 수 있도록 설계한 점이 인상적이었습니다. 단순한 분류 성능 향상을 넘어, 모델이 어떤 근거로 판단했는지를 자연스럽게 설명할 수 있다는 점에서 실용적인 가치가 크다고 느꼈습니다. 이어서 다뤄진 ICML 2024의 TimeMIL은 기존 MIL이 상대적으로 간과해왔던 시간적 순서와 시점 간 관계를 명시적으로 모델링함으로써, 다변량 시계열 환경에서도 효과적으로 적용될 수 있음을 보여주었습니다.

두 연구를 함께 살펴보며 시계열 MIL에서 중요한 요소가 인스턴스 정의, pooling 전략, 그리고 시간 정보의 반영 방식이라는 점을 명확히 정리할 수 있었습니다. 실제 적용 가능성이 높은 문제 설정 위에서 성능과 설명력을 동시에 추구한 방향성이 잘 전달된 세미나였고, 시계열 데이터 분석에 대한 시야를 넓힐 수 있는 유익한 시간이었습니다. 좋은 발표 준비해주셔서 감사합니다.

금일 논문 세미나에서는 “Inherently Interpretable Time Series Classification via Multiple Instance Learning”과 “TimeMIL: Advancing Multivariate Time Series Classification via a Time-aware Multiple Instance Learning” 두 편의 논문을 다루었습니다. 두 논문 모두 Multiple Instance Learning(MIL)을 기반으로 time series classification 문제에 접근하며, 특히 해석 가능성과 시간 정보 활용에 초점을 맞춘 연구라는 공통점을 가지고 있습니다. 첫 번째 논문에서는 다양한 MIL의 정보 취합 방식에 대해 상세히 설명하고 있으며, 기존 방식들을 변형한 새로운 conjunctive pooling을 제안함으로써 단순한 취합 방식의 변경만으로도 높은 성능을 달성할 수 있음을 보여주었습니다. MIL은 multiple instance 내에서 희소하거나 중요한 정보를 대표 instance 정보로 효과적으로 반영해야 하는 구조이기 때문에, 이러한 접근은 매우 유의미하다고 느꼈습니다. 두 번째 논문은 multivariate time series 환경에서의 MIL 적용을 다루며, temporal correlation과 permutation information을 고려하기 위한 추가적인 방법론을 제시합니다. 특히 position encoding이 핵심적인 역할을 수행하지만, 전체적인 성능 향상 측면에서는 다소 아쉬움이 남는 연구라는 인상을 받았습니다. 전반적으로 두 논문 모두 산업 현장에서 실제로 발생할 수 있는 문제를 다루고 있다는 점에서 의미 있는 세미나였다고 생각합니다. 좋은 논문을 발표해주셔서 감사합니다.

이번 세미나에서는 "Multiple Instance Learning in Time Series" 에 대한 주제로 "Inherently Interpretable Time Series Classification via Multiple Instance Learning (ICLR 2024)"와 "TimeMIL: Advancing Multivariate Time Series Classification via a Time aware Multiple Instance Learning (ICML 2024)" 논문에 대해 소개해주셨습니다. Multiple Instance Learning의 기본 개념부터 실제 시계열 분류 과업에서의 적용 사례까지 잘 정리되어 있어 매우 인상적이었습니다. 특히 Inherently Interpretable TSC via MIL과 TimeMIL을 통해, bag-level 라벨만 존재하는 현실적인 시계열 환경에서 MIL이 어떻게 분류 성능과 해석 가능성을 동시에 확보할 수 있는지 명확하게 이해할 수 있었습니다. 또한 TimeMIL에서 제안한 time-aware MIL pooling은 기존 MIL의 i.i.d. 가정을 완화하고 시계열의 시간적 구조를 반영하려는 의미 있는 확장으로 느껴졌습니다. 전반적으로 MIL이 시계열 데이터에 적용될 수 있는 동기와 장점을 잘 전달해준 세미나였다고 생각합니다. 좋은 발표 감사합니다.

Multiple Instance Learning을 시계열 도메인에서 수행하는 것은 생각해본 적이 없는데, 확실히 시계열 데이터의 경우에도 전체 sequence에 대한 라벨만 존재하고, 특정 interval에 대한 정보는 존재하지 않는 상황이 충분히 있을 듯하여 이번 세미나를 통해 고민해보게 되었습니다. 여러 종류의 pooling을 정리하고, 그 한계를 보완하기 위한 conjunctive pooling을 제안하여 성능 개선을 도모하고, 새로운 방향의 해석을 수행한 것이 논리적이었습니다. Attention과 prediction을 분리해 학습시킨 뒤 두 결과를 결합하여 모델이 특정 신호에 의존하는 현상을 줄이고자 한다는 의도가 인상적이었습니다. 다만, 의미론적인 정보의 다양성이 매우 높고 보편적인 형태의 데이터가 매우 풍부하게 존재하는 이미지나 자연어 데이터와 달리, 제한적인 정보와 국소적 정확도가 중요한 시계열 데이터에 대한 multiple instance learning 방법이 많은 시나리오에서 높은 성능을 보일 수 있을지 의문이 들기도 하여, 앞으로 제안되는 연구들을 통한 분야의 발전이 기대되었습니다. 좋은 발표 감사합니다!

이번 세미나에서는 “Multiple Instance Learning in Time Series”를 주제로, MIL의 문제 설정과 시계열 분류에서의 적용 방안을 체계적으로 정리해주셔서 이해가 수월했습니다. 모든 시점에 대한 세밀한 라벨이 없는 현실적인 환경에서 bag-level supervision만으로도 의미 있는 학습이 가능하다는 점이 특히 인상적이었습니다. ICLR 2024 논문에서는 conjunctive pooling을 통해 단변량 시계열에서 중요한 시점을 명확히 드러내며 모델의 내재적 해석 가능성을 확보한 점이 돋보였고, 예측 근거를 자연스럽게 설명할 수 있어 실용적 가치가 크다고 느꼈습니다. ICML 2024의 TimeMIL은 기존 MIL의 i.i.d. 가정을 완화하고 시간적 순서와 상관관계를 학습 가능한 구조로 반영하여 다변량 시계열에서도 성능과 설득력을 함께 추구한 점이 의미 있었습니다. 또한 attention과 prediction을 분리해 학습하고 결합함으로써 특정 신호에 대한 과도한 의존을 줄이려는 설계 의도도 현실 적용에 유용해 보였습니다. 다만 시계열 도메인의 제한적 정보와 국소적 정확도의 중요성을 고려할 때, 다양한 산업 시나리오에서의 성능 일반화와 인스턴스 정의의 표준화는 향후 과제로 느껴졌습니다. 그럼에도 MIL 프레임워크가 라벨링 비용을 줄이면서도 중요한 이벤트 구간을 식별하고 설명력을 부여한다는 점에서 산업 현장 적용 가능성이 높다고 판단합니다. 좋은 발표 감사합니다.

이번 세미나에서는 “Multiple Instance Learning in Time Series”를 주제로, MIL의 기본 개념부터 시계열 분류 과업에의 적용까지 폭넓게 살펴볼 수 있었습니다. 모든 시점에 대한 정밀한 라벨이 없는 현실적인 환경에서 bag-level supervision만으로 학습이 가능하다는 MIL의 문제 설정이 시계열 데이터와 매우 잘 맞는다는 점이 인상적이었습니다. ICLR 2024 논문에서는 conjunctive pooling을 통해 단변량 시계열에서 중요한 시점을 직관적으로 드러내며, 모델의 내재적 해석 가능성을 확보한 점이 돋보였습니다. 이어서 소개된 ICML 2024의 TimeMIL은 시간적 순서와 시점 간 상관관계를 명시적으로 반영하여, 다변량 시계열에서도 MIL의 적용 가능성을 확장한 점이 의미 있게 느껴졌습니다. 두 연구를 통해 시계열 MIL에서 인스턴스 정의와 pooling 설계, 시간 정보 반영의 중요성을 명확히 이해할 수 있었고, 성능과 설명력을 동시에 고려한 방향성이 잘 전달된 세미나였습니다. 유익한 발표 감사합니다.

이번 세미나에서는 “Multiple Instance Learning in Time Series”에 대해 소개해주셨습니다. 본 주제는 개별 시점이나 구간에 대한 정답이 명확하지 않은 상황에서, 시계열 전체 단위의 라벨만 주어졌을 때 어떻게 의미 있는 학습을 수행할 수 있는지를 다룹니다. 특히 이상 탐지나 이벤트 감지와 같이 세밀한 주석이 어려운 실제 환경에서, MIL이 시계열 분석에 자연스럽게 적용될 수 있다는 점을 잘 설명해주셨습니다. 발표에서는 시계열을 여러 구간이나 패턴 인스턴스로 분해하고, 이들 중 일부만이 전체 라벨을 설명한다는 MIL의 기본 가정을 시계열 데이터에 맞게 해석하는 과정을 다루었습니다. 이를 통해 모델이 전체 시계열의 라벨뿐만 아니라, 중요한 시점이나 구간에 선택적으로 집중하도록 유도할 수 있다는 점이 인상적이었습니다. 또한 인스턴스 수준의 중요도를 추정함으로써, 결과 해석이나 이상 위치 파악에도 도움이 될 수 있다는 점이 함께 강조되었습니다. 이번 세미나는 시계열 데이터에서 라벨 부족 문제를 완화할 수 있는 실용적인 학습 관점을 제시해주었으며, 복잡한 주석 없이도 의미 있는 패턴을 학습할 수 있는 가능성을 보여주었습니다. 다양한 시계열 응용 분야로 확장될 수 있는 흥미로운 방향이라는 생각이 들었습니다. 좋은 발표 감사합니다!