• 목록

<학회 후기>
이번 춘계 산업 공학회는 6월 18~20일 2박 3일간 제주도 해비치 호텔에서 진행되었다. 이번 학회는 역대 최대 규모의 연구들이 발표되었으며, 특히 내가 학부 산학 프로젝트때 부터 진행해왔던 생성모델 기반 합성데이터 생성과 유사한 연구들이 많이 있어 많은 공부를 할 수 있었다. 또 SK 하이닉스 안대웅 부사장님께서 해주셨던 기조 강연에서 정말 회사에서 다루는 data-driven 방식의 ai 활용법과 또 회사가 원하는 인공지능 엔지니어의 역량에 대해서 정말 열정적으로 발표를 해주셨는데 State of the arts를 찾는것도 좋지만 보다 좀 더 data specific하면서 그 데이터에 적합한 방법론을 누구보다 잘 아는 AI 연구자가 되는 것이 중요함을 강조하셨던게 가장 기억에 남았다. 앞으로 좀 더 다양한 데이터에 유연하게 대응할 수 있는 연구자가 되고싶다는 생각을 하게되었다. 뿐만 아니라 이번 산업공학회에서는 큰 규모였던 만큼 다양한 발표들이 있었고, 데이터 부족현상 뿐만 아니라 제조, 의료, 기상 등 정말 많은 분야에서 심도있게 연구하고 있는 발표자들이 많았기에 인상 깊었다. 이렇게 좋은 학회에서 발표를 하면서 다양한 경험을 하게 해주신 교수님께 감사드리며 학회 후기를 마무리한다.

<발표 후기>
일시 : 6월 20일
이번 발표는 저조도 상황에서 확산 모델을 활용하여 비지도 학습 기반 저조도 향상에 대해 발표를 진행하였다. 발표내용을 설명하기 앞서 지도학습과 비지도학습 방식의 저조도 이미지 향상을 설명하고, 두 방법론 모두 높은 복원 품질을 위해서는 데이터 요구사항이 큼을 설명하였으며, 본 연구는 이러한 문제점에 착안하여 저조도 향상 과정에서 복원 품질을 확보하기 위해 gradient loss와 total variation loss를 통합한 structure-aware loss를 설계하여 저자원 데이터 환경에서도 조도 복원 성능을 확보하였음을 강조하였다.  18만장에서 700장으로 학습데이터의 수를 줄였음에도 고품질 복원 성능을 확보하였음을 강조하였고, 또한 향후 실험 과제에서 700장의 학습데이터를 점차 늘려가며 기존 방법론의 복원 품질을 압도하는 복원 성능을 확보해보고자 한다. 또한 확산모델 자체의 time step을 고품질 복원보다 application study에서의 활용 가능성에 초점을 두고 좀 더 효율적인 time step을 찾아 실시간 추론 성능을 개선하고자 한다.

<청취 후기>
일시: 6월 19일
제목: 생성형 AI를 활용한 가상 결함 패턴 기반 데이터 증강 기법 - OHT 가이드 휠 이상 탐지
본 연구는 OHT 가이드 휠 이상 탐지를 위해 생성형 AI 기반 가상 결함 데이터 증강 기법을 제안한다. 이는 시각적으로 눈에 띄는 결함 데이터 뿐만 아니라 좀 더 정상에 가까운 미세한 결함을 가진 비정상 데이터를 생성해냈다는 점에서 상당히 인상 깊었다. 이를 위해 정상 이미지의 텍스처와 구조를 학습한 생성 모델을 활용하여, 실제 결함과 유사하면서도 미세한 패턴을 가진 가상 결함을 생성하고, 이를 정상 이미지에 삽입함으로써 정상과 비정상을 구분하기 모호한 경계 사례 합성데이터를 구성하였다. 이를 통해 모델의 민감도와 일반화 성능을 향상 시켰다. 또한 도메인 지식을 반영한 생성 방식이 보다 현실적이고 일반화 가능한 결함 탐지에 효과적임을 입증하였으며, 특히 생성된 합성 이미지들을 단순 이미지 품질 뿐만 아니라, PCA를 통해 기존 데이터와 잠재 공간 안에서의 분포적 유사성을 확인하는 실험이 인상적이었다.

일시: 6월 19일
제목: Classifying Mixed-Class from Imbalanced Single-Class in Wafer Bin Maps using Class-Mixing Diffusion Model with Prompt-wise Attention Score Similarity
해당 발표는 반도체 제조 공정에서 생성되는 Wafer Bin Map의 분류 문제를 다루며, 특히 단일 결함 클래스만 학습하고도 학습되지 않은 혼합 클래스를 정확히 분류할 수 있는 새로운 방법을 제안한다. 기존 방법들은 클래스 불균형 문제와 고비용 라벨링으로 인해 혼합 클래스 분류에 어려움이 있었지만, 본 연구는 이를 해결하기 위해 Class-Mixing Diffusion Model(CMDM)과 Prompt-wise Attention Score Similarity(PASS)를 도입한다. CMDM은 단일 클래스 이미지를 혼합 클래스 조건과 함께 학습하는 related pair 방식으로 혼합 클래스의 특성을 간접적으로 학습하며, PASS는 diffusion 모델의 생성 과정에서 추출되는 attention score trace를 이용해 클래스별 생성 경로의 유사도를 기반으로 분류 정확도를 높이는 방식이었다. 실험에서는 클래스 불균형 조건을 고려한 다양한 비교 실험을 수행했고, 그 결과 CMDM+PASS 조합은 기존의 CNN이나 CLIP 기반 분류기보다 일관되게 더 높은 일반화 성능을 보였다. 특히 IR이 클수록 성능 격차가 더 커져, 데이터가 부족하고 혼합 클래스가 중요한 산업 현장에 적합한 모델임을 입증했다. 특히, 클래스 불균형과 제로샷 일반화 성능을 함께 개선했다는 측면에서 상당히 인상적이었으며, diffusion time-process에서의 매 step마다 나타나는 이미지들을 분류에 활용한 부분도 흥미로웠다.