안녕하세요.
DSBA 연구실 박사과정 김동화입니다.
이번 년도 처음으로 INFORMS라는 OR 중심의 학회를 다녀오게 되었습니다.

[발표후기]
제가 이번에 발표한 주제는 Multi-co-training for document classification 이며 이 방법론은 문서분류에 있어서 라벨이 부족할 경우가 다 반사인데 이러한 문제점을 효율적으로 풀기 위해 문서 재 표현기법들을 앙상블하여 라벨이 적더라도 충분히 안정적으로 학습되는 방법을 발표하고 왔습니다. 다소 학회의 주된 흐름에서 벗어난 것 같았지만 적지 않은 사람들 앞에서 발표를 하여서 뜻깊은 시간이었습니다.

[참여 후기]
저희 연구실은 Deep Learning과 Machine Learning을 기반으로 연구를 계속 해왔기 때문에 이번 학회에서 최대한 관련 있는 필드들을 찾아서 참석하려고 하였습니다.
가장 관심 있었던 세션 내용들은 다음과 같습니다.

 


["Learning Combinatorial Optimization Algorithms over Graphs"]
전반적인 흐름으로 해석하자면 네트워크 최적화문제를 많이 푸는 것 같습니다. 예를 들어, Minimum Vertex Cover 문제 같은 경우 어떤 노드를 선택했을 때 모든 엣지들을 cover할 수 있는지에 대한 문제인데 여러해 중에서 최소의 노드로 그 목적을 달성할 수 있는 최적화 문제라고 할 수 있습니다. 그래서 이러한 문제를 풀기 위해 두가지 개념을 적용했는데 강화학습의 Q-learning과 CNN 개념에 모티브가 된 같은 Relu함수와 pooling(단순 합)을 적용하여 그래프 임베딩을 구현 하였습니다. 이러한 접근방법의 목적은 데이터가 조금 바꿔더라도 같은 최적화문제를 반복적으로 풀게 되는데 이러한 비효율적인 문제를 해결하기 위해 이러한 방법을 사용하였습니다. 이러한 방법은 기존의 pointer-network 보다 좋은 성능을 가지고 있다고 밝히고 있습니다. 이러한 분야도 조만간 여유가 생긴다면 연구해보고 싶은 분야입니다. 같은 목적이 아니라 텍스트마이닝이나 이미지 분류에서도 충분히 적용 될수 있는 접근법인것 같습니다. 혹시 이 방법에 대해서 관심있는 사람들을 위해 아래의 Github의 주소를 첨부합니다.

Link


[Autoregressive Forests for Multivariate Time-Series Modeling]
이 연구는 시계열 기반의 연구로 자기상관있는 데이터를 어떻게 풀어나가는 방법을 제시하고 있습니다. 핵심 내용은 멀티 클래스 문제일 경우 각 클래스별로 데이터를 분리하고 자기상관의 데이터 값(y)를 반응변수로 생각하고, time order나 lagged features를 설명변수로 트리구조로 예측하는 randomforest 기법을 사용였습니다. 다시 말해서 각 클래스별로 트리를 구성해 자기자신의 값을 예측하는 모델을 만들고 그곳에서 나온 error들을 다시 테이블형태로 변환하여 KNN이나 randomforest 같은 머신러닝기법을 적용한 접근법이었습니다.


연구실 내에만 있다보니 시야가 좁았는데 시야를 넓히고 온 것 같아 의미있는 시간이었습니다.