• 목록

<학회 후기>
지난 10월 18일 금요일, Informs Annual Meeting에 참석하기 위해 Seattle로 출국하였다. 해당 학회는 10월 20일부터 23일까지 4일간 진행되었으며, 다양한 주제의 session이 있었다.
여러 presentation을 청취함으로써, 특정 문제를 해결하기 위한 발표자들의 다양한 생각을 눈에 담을 수 있었다. 몇 개의 presentation은 발표자들에게 질문 했는데, 자유로운 분위기 속에서 서로의 의견을 공유하며 지적인 갈증을 해소하는 과정이 좋았다. 사실 나는 어떤 질문을 할 때, 내가 무지해 보일법한 질문은 자체적으로 검열하고 질문하는 경향이 있었다. 그런데 이번 학회를 통해 ‘모르는 영역에 대한 지식을 채워나가기 위한 헌신적인 탐구욕이 어쩌면 연구자에게 요구되는 가장 중요한 자질이 아닐까’ 하고 새삼 느끼며 자성했다. 그리고 학회일정 중 워싱턴 대학교를 방문했다. 우리 연구실 인원들은 고풍스러운 도서관과 아름다운 캠퍼스에 매료되었다. 나는 잠시나마 이렇게 근사한 캠퍼스라면 조금 더 공부하는 것도 가능하지 않을까 라고 생각을 해보았다.
이번 해외 학회에 참석함으로써, ‘이 분야를 연구하고 있는 사람들이 참 많구나’, ‘아직 경험해보지 못한 더 넓은 세계가 있구나’ 하고 느꼈고, 앞으로 내가 걸어가고자 하는 길의 이정표를 그릴 수 있었다. 끝으로 연구실 인원들에게 소중한 경험을 하게 해주신 교수님에게 감사한 마음을 전한다.

<청취 후기>
10월 19일 (토)
세션 : Data Mining & Decision Analysis (DMDA)
제목 : Heterogeneous Multivariate Functional Time Series Modeling: A State Space Approach (Peiyao Liu, Tsinghua University, Beijing, China)
내용 : 해당 발표에서는 heterogeneous한 Multivariate Functional Time Series (MFTS)를 modeling하기 위한 방법론을 소개한다. Functional Time Series (FTS)란 시간의 흐름에 따라 연속적으로 변하는 함수 형태의 데이터를 의미한며, consecutive한 벡터 데이터의 sequence인 time-series의 개념과 상이하다. 본 발표에서는 기존의 통계적 모델들이 시간에 따라 동적으로 변화하는 패턴을 가지는 MFTS의 heterogeneity를 적절하게 다루지 못하는 한계를 언급하며 이를 위한 방법론인 Time-Varying Functional State Space Model (TV-FSSM) 을 소개한다. 해당 방법론은 두 계층 구조를 사용하여 heterogeneous한 MFTS를 modeling하고자 한다. 첫 번째 계층에서는 functional data를 함수적 기저로 분해하여 기능적 특징을 추출하며, 두 번째 계층에서는 이 분해 계수를 잠재 상태로 간주하고, 이 상태의 시간적 변화를 AR 모델로 포착한다. 또한, 모델의 파라미터 추정은 EM(Expectation-Maximization) 알고리즘을 통해 수행된다.
TV-FSSM에 대한 실험에서는 synthetic data와 real-dataset을 사용하였으며, 비교 실험에서 준수한 결과를 보였다.

10월 21일 (월)
세션 : High-dimensional Data Analysis: Modeling, Monitoring and Control
제목 : Predictive modeling of surface topography using power signal in wire electrical discharge machine (Bochi Liu, Dalian University of Technology, Dalian, China)
내용 : 와이어 방전 가공(Wire Electrical Discharge Machining, WEDM)은 이동하는 와이어 전극을 사용해 복잡한 형상을 가진 단단한 공작물을 절단하는 비접촉 방식의 제조 공정이다. 가공된 공작물의 표면 형상은 마모 저항성 등 여러 특성에 영향을 준다. 이러한 표면 형상은 일반적으로 가공이 완료된 후 측정되는데, 일부 공정 방식은 공작물에 손상을 줄 수 있기에 표면 형상을 예측하는 것은 표면 품질과 생산 효율을 높이는 데 중요하다. WEDM 공정에는 최대 전류, 전압, 펄스 온 타임, 펄스 오프 타임 등의 여러 제어 매개변수가 있다. 현재의 물리 기반 접근 방식은 WEDM 공정의 복잡한 수학적 모델을 구현하기 어렵다는 한계가 있다. 그러나 데이터 기반의 머신러닝은 제어 매개변수와 표면 형상 간의 복잡한 관계를 예측할 수 있어 위 물리 기반 방식의 제한점으로 부터 자유롭다. 해당 발표에서는 WEDM에서 전력 신호 기반의 표면 형상 예측 모델을 제안한다. 전력 신호와 측정된 표면 형상으로부터 특징을 추출하기 위해 time-frequency 분석과 Empirical Mode Decomposition (EMD)를 활용하며, 여러 모델을 사용해 이러한 특징들 간의 비선형 관계를 학습한다. 그리고 spatial-interpolation 분석을 통해 예측된 표면 형상을 재구성하여 WEDM의 실시간 표면 품질 모니터링 및 품질 제어를 하고자 한다. 해당 발표를 듣고 난 후, 발표자분에게 electrical signal data에서 feature를 추출하는데 사용한 subset을 sampling하는 과정에서 temporal-dependency를 어떻게 고려했는지 질문을 했는데 발표자분은 다소 naive하게 1 ~ 10개의 consecutive한 observation을 select했다고 설명했다. 나는 개인적으로 window-size에 대한 민감도 분석을 통해 data-set마다 적절한 sampling이 효과적일 것 같다고 말씀드렸는데 해당 발표자분께서 좋은 아이디어인 것 같다고 감사하다고 말씀해주셔서 뿌듯했다.

10월 21일 (월)
세션 : Managing Organizations to Boost Productivity
제목 : Deep Learning-based White-box Adversarial Attack using Multivariate Time-series Classification Model (Juheon Kwak, Ewha Womans University, Seoul, Korea)
내용 : Adversarial Attack (적대적 공격)이란 입력 데이터에 미세한 노이즈나 perturbation을 추가하여 모델로 하여금 잘못된 예측을 하도록 유도하는 공격 방식을 의미한다.
적대적 공격의 목적은 다음과 같다.
(1)모델의 약점 파악 : 모델이 잘못된 예측을 하도록 유도하며, 모델의 약점 확인.
(2)보안적 취약성 테스트 : 자율주행 및 금융과 같이 보안이 중요한 분야에서 adversarial example에 대한 모델의 취약성 평가.
(3)방어 전략 개발 : 취약한 부분에 대응할 수 있는 강건한 모델 개발.
해당 발표에서는 입력 데이터에 perturbation을 추가하여, 입력 데이터와 유사한  adversarial example을 생성했다. 그리고 CNN, RNN, Transformer 등 다양한 모델을 대상으로 실험을 진행하였는데, 모델이 잘못된 예측을 하도록 함으로써 performance를 감소시켰다.
computer vision분야에서 적대적 공격과 이에 대한 defense-strategy에 대한 몇 발표를 청취한 경험이 있었지만, time-series를 대상으로 한 적대적 공격 발표는 처음이라 신선하게 다가왔다.
해당 발표에서는 white-box 환경에서 실험을 진행하였지만, 실제 환경에서 활용을 고려한다면 추후에 모델의 구조 및 파라미터, 기울기 정보를 모르는black-box 환경에서 실험을 진행하는것도 좋을 것 같다고 느꼈다.