• 목록

<Chain augmentation과 인코더 디코더 구조의 언어 모델을 활용한 삼단논법 풀이>
인토더와 디코더를 사용하는 구조의 언어 모델을 사용해 삼단 논법을 풀려고 하였다. 그렇기에 인코더와 디코더를 함께 사용하는 모델과 디코더만 사용하는 모델을 비교하였고 인코더와 디코더를 함께 사용하는 것이 좋은 성능을 내는 것을 확인했다. 또한 chain augmentation을 제안하였는데, 이 증강 기법은 결론을 변형해서 전제1+결론=전제2 와 같은 과정으로 전제2를 생성하는 기법으로 삼단논법에 대한 증강 효과가 효과적임을 알 수 있었다. 또한 이렇게 증강된 데이터를 통해 학습을 진행한 결과 가장 좋은 성능을 낸 것을 확인했다. 삼단논법에 대한 데이터 증강기법으로 chain augmentation을 사용한 부분이 흥미로웠다. 결론을 변형해서 더 다양한 전제들을 생성하는 것이 의미있었지만, 이러한 부분이 만약 데이터 자체가 삼단논법에 어긋나는 문장들이었다면 데이터 증강이 잘못될 것 같다.

<결품 탐지를 위한 유전 프로그래밍 기반 해석 가능한 기계학습 방법론>
결품 탐지를 해석하기 위해 유정 프로그래밍 기반의 해석 방법을 제안한다. 해석 방법 중에 하나인 SHAP과 LIME은 복합적 상호관계인 경우가 많이 존재하기 때문에 사용하기 어렵다는 단점이 있었다. 또한 decision tree는 특성 간에 상호관계를 파악하지 못하기 때문에 추가적인 성능 개선을 위해 나무의 높이를 높여야 하기 때문에 해석력을 저하시킨다. 그렇기 때문에 의사 결정 나무의 높이를 제한하여 해석력을 유지하고 유전 프로그래밍 기반 단위를 고려해서 이해가능한 형태의 다중특징 추출을 통해 성능을 개선시킬 수 있다. 또한 단위 특징 추출을 통해 실무자가 이해할 수 있는 해석력을 제공할 수 있다. 유명한 shap, lime을 사용하지않고 decision tree의 깊이를 조절해 해석을 제공할 수 있다는 점이 좋았다. 다른 task에도 적용할 수 있으면 좋을 것 같다고 생각했다.

<학회 발표 후기>
이번 학회 발표가 여태까지 진행했던 병리학 연구에 대해 발표를 했다. 짧지 않은 기간동안 연구했던 주제에 대해 발표한다는 점과 처음으로 학회장에서 발표하는 점들로 인해 많이 떨렸었다. 이번 발표를 준비하면서 병리학 연구에 쉼표를 찍는다는 마음으로 준비를 하며 지금까지 했던 내용을 리마인드하며 스스로 한 번 더 정리할 수 있는 계기가 되었다. 그래서 발표 자료를 어떻게 만들어야 하는지에 대한 고민을 많이 했었다. 어떤 흐름으로 발표를 진행해야 듣는 사람들에게 이해가 잘 될 수 있을지에 대한 부분을 제일 많이 고려했었다. 아직 많이 부족하지만 후회하지 않도록 노력했고, 이번 기회로 다음 발표때는 이번 보다 더 잘 할 수 있는 기회를 만든 것이라고 생각한다. 다음 학회 발표에서는 이번보다 성장해서 진지하면서도 능청스럽게 발표하는 사람에 한층 더 가까워질 수 있을 것이라고 생각한다.