• 목록

<학회 후기>
SimVI: a Simple Visual Inspection Framework with foreground object segmentation and pre-trained model based anomaly detection
과거에는 rule 기반에 의존하거나 사람이 직접 지침(메뉴얼)을 참고하여 육안으로 검사했으나 현재 딥러닝을 이용한 연구가 활발히 이뤄지고 있다. 하지만 클래스 불균형이 존재하며 이를 해결하기 위해 한 클래스를 정상, 나머지를 비정상으로 정의하는 것은 비현실적이라는 문제가 존재한다. 그 중 semantic segmentation은 픽셀 단위로 클래스를 예측하는데 정답 데이터에 대한 비용이 크다. 이를 위해 정상 데이터만을 학습하는 이상탐지 기법도 있는데 큰 데이터셋으로부터 사전 학습된 거리 기반으로 이상을 탐지하는 pretrained modelbased anomaly detection이다. 그러나 이런 방법은 이미지에 이상을 탐지하고자 하는 객체가 있어야 한다는 한계가 존재함 따라서, background를 먼저 탐지하고 마치 숨은 그림처럼 결함 탐지하는 것과 원래의 SimVI를 제안한다. GAN으로 배경과 foreground를 생성하게 되며 거리 기반으로 이상 score에 대해 정의하게 된다.

TFE-Net: 시간과 변수 중심 임베딩을 활용한 다변량 대 다변량 시계열 예측
세 가지의 핵심 idea는 다음과 같다. Intuition(구조별 특징이 명확한가?), Robust(다양한 데이터셋에 대해 적용가능한가), Performance(더 좋은 성능을 보여줄 수 있는가) 본 연구에서는 이를 해결하기 위해 다변량 대 다변량 예측을 활용하며 특히 각각의 embedding 별 특징에 맞는 attention을 적용하였다. 아래는 본 연구에서 사용된 핵심 기법이다.
1. feature focus embedding: 변수 간 종속성 파악을 위한 임베딩(TPA; temporal pattern attention: 열 방향의 기존과 다르게 행 방향으로 이를 해결함)
2. Time focus embedding: 시간 종속성 반영을 위해 compund convolution, self attention 사용하였다.
3. embedding fusion: 두 임베딩 값은 서로 다른 특징과 스케일이 달라 이를 고려하기 위해 사용함 -> fusion 예측 값에 AR 예측 값을 더해서 최종 예측값을 생성하였다.
본 연구는 다변량 데이터에 대해 좋은은 성능을 보여주었으며 시간 및 변수간의 종속성 동시 포착한다는 장점을 가지고 있다.

<발표 후기>
강건한 재공재고 예측을 위한 데이터 변이 인지 및 점진적 학습(Concept dirft-aware incremental learning for robust work-in-process prediction)
이번 산업공학회에서는 데이터 분포 변이 탐지를 통해 모델의 업데이트 여부를 결정하며 자가 학습이 가능한 점진적 방식의 프레임워크를 제안했다. 받았던 질문은 아래와 같다.
1) Window size는 어떻게 설정 하였는지,
2) 온라인 학습은 adf test 결과 변이가 있는 경우에만 업데이트가 되는 것이 맞는지,
3) x 변수가 293개라고 하였는데 하나의 x에 대해서만 변이 탐지를 수행한 것인지
마지막 세 번째 질문에 대한 내용을 추후 연구에서 진행할 계획이며 뿐만 아니라 보다 다양한 모델을 구축하여 전체적인 실험 결과에 대한 추가적인 검증이 필요할 것 같다.
두 번째 산업공학회 발표였는데 큰 문제 없이 잘 마무리된 것 같아 다행이다. 특히 해주셨던 질문 사항들에 대해서도 다시 되짚어 보면서 현재 연구에서 잘 확장되어 보다 탄탄한 연구가 될 수 있도록 노력해야겠다는 생각을 많이 하게 되었다.