• 목록

<발표 후기>
11월 7일 (화)
세션 : B-24, 금융/보안 데이터마이닝
제목 : 다변량 신호 데이터 분류를 위한 셰이플릿 기반 접근법

2023 추계 데이터마이닝학회에서 다변량 신호 데이터 분류를 위한 셰이플릿 기반 접근법에 관한 발표를 하였다.
해당 발표의 topic은 'Wifi-sensing data를 활용한 실내 공간 내 인원 수 분류'이며, 기존 computer vision task의 blind spot에 대한 보완적인 탐지가 가능하다는 의의를 지니고 있다.
나는 Time-series shapelet approach에 기반하여, 해당 과업에 접근하고자 했다.
*(object가 특정 class로 분류되는 이유를 시계열 내 discriminant subsequence인 shapelet에 기반하여 해석하기 때문에, shapelet-based approaches의 interpretability가 높음)
이를 위해, 기존 다변량 시계열 분류 과업에서 준수한 성능을 보여주는 RDST(Random Dilated Shapelet Transform) 기법을 적용하여, application research를 수행하였다.
RDST 기법을 적용한 wifi-sensing data와 human action data의  accuracy, F-1 score 등을 비교함으로써, 다변량 신호 데이터 분류 과업에 대한 shapelet 기반 method의 performance를 확인하고자 했다. 실험 결과 human action data에 비해 wifi-sensing data의 결과가 저조했는데, 이를 통해 신호 데이터의 복잡한 특징을 반영할 수 있는 feature extract 기법의 필요성을 느꼈다.
본 발표에 관하여, '기존의 high-dimensional한 signal data를 one-dimension으로 축소하는 이유'에 관한 질문이 있었는데, time-step 마다 관측되는 signal data를 sequential하게 이어줄 수 있는 하나의 특징적인 타점을 추출하고자 기존의 신호데이터를 저차원 공간상에 임베딩하였다고 답변드렸다. 해당 질문에 대한 답변을 하는 과정에서 단순한 통계적인 기법으로는 다차원 신호 데이터의 복잡성을 유지하면서 차원을 축소하는것이 제한적이라는 것을 다시 한 번 느끼게 되었다.
나는 향후 신호 데이터의 특징을 효과적으로 추출하는 기법에 관한 연구를 진행할 것이며, 이후 딕셔너리 러닝을 통한 shapelet을 추출 방법(기존의 방법보다 효과적인 연산비용, 높은 일반화 성능) 혹은 대조 학습을 통해 다변량 시계열 내 shapelet을 생성하는 기법에 관한 연구등을 진행할 것이다.
이를 통해 다변량, 다차원 신호데이터의 복잡한 특징을 반영할 수 있는 feature를 생성하고, 해당 feature들을 sequential하게 connect한 data를 활용하여 discriminant한 shapelet을 효율적으로 찾을 수 있을 것이라고 생각한다.


<청취 후기>
11월 7일 (화)
세션 : B-22, 금융/보안 데이터마이닝
제목 : Robust Patch Masker using Channel-Wise  Pooled Variance and Clustering Method

적대적 패치 공격이란 주어진 이미지에 임의의 noise 혹은 purturbation을 주입함으로써, object detector의 오분류를 야기하는 것을 말한다.
이러한 적대적 공격을 defense하는 것은 자율 주행 및 보안 시스템의 security와 밀접한 관련이 있기에, 2~3년 전 각광을 받던 분야이다. 해당 발표에서는 이러한 적대적 패치 공격에 대한 방어기법으로 RAPID를 제안하였다. 제안 기법을 통해 이미지 내 불규칙성을 유발하는 패치의 특성을 기반으로 영역의 채널변 분산을 구하여 패치 위치에 대한 candidate을 선정하고, 해당 후보군들에 군집화 알고리즘을 통해 패치 영역 탐지 및 마스킹을함으로써 적대적 공격을 무력화 시킬 수 있다.

적대적 공격에 관한 발표는 많이 접하지 못했지만, 정말 흥미로웠으며 기회가 된다면 꼭 연구해보고 싶은 분야라고 느꼈다.