• 목록

<발표 후기>
8월 24일(월)
세션 : 포스터 세션 #2
제목 : Hierarchical Bayesian Neural Architecture Search via Sparse Architecture Learning

본 연구는 Bayesian Neural Architecture Search(NAS)의 문제 상황에 Hierarchical Bayesian distribution을 적용하여 탐색에 대한 확신을 두가지 파라미터로 표현하여 안정적인 탐색을 가능하도록 하는 방법론을 제안한다. 기존의 Bayesian NAS의 연구에서 활용되지 않았던 posterior relevance와 decision support를 적용하여 탐색 중 어떤 operation이 유용한지에 대해 나타내는 파라미터와 현재 결정을 내려도 되는가를 표현하는 결정의 타이밍을 나타내도록 하는 파라미터를 소개한다. 이러한 구조는 불필요한 영역에 대한 탐색을 최소화하고 동시에 확신에 대해 근거를 마련할 수 있다는 점에서 안정적인 탐색을 가능하도록 하며 이는 실험 결과를 통해 확인 가능하였다. 특히 기존 방법론 대비 약 5배 개선된 탐색 시간을 달성하는 데에 성공하였으며, 추후에는 기존 방법론을 능가하는 성능 달성이 가능하도록 하는 탐색 방법으로의 확장을 추후 연구로 고려 중에 있다.

<청취 후기>
[P1-03] 산업 현장 이상 탐지를 위한 비전-언어 모델 기반 멀티에이전트 추론 방법론
본 연구는 반도체 Fab 이상 탐지를 위한 추론 과정에서 다중 VLM 에이전트를 통해 추론된 의견을 토론하고 이를 통해 결과를 추론하는 파이프라인을 제안한다. 특히 사전훈련 시에 Fab과 직접적인 관련이 있는 데이터에 대해 접하지 못한 VLM agent에게 Chain-of-Thought의 구조를 활용하여 이상 판단에 대한 기준을 제안할 수 있다. 또한 추론의 불안정성을 해소하기 위해서 다중 VLM agent 구조를 채택하는 과정을 통해 의견을 공유하고 토론하는 구조를 설계하여 보다 안정적인 추론을 가능하도록 하였다. 실험 결과를 통해 이미지 및 비디오 기반 추론에서 개선된 정확도 성능을 달성하였으며, 직접 추론 과정 내에서 모델의 의견을 개선하고 적응해나갈 수 있는 구조가 인상적이었다.

[세션3-3] Multimodal Dataset Distillation Made Simple by Prototype-Guided Data Synthesis
본 연구는 데이터셋 축소의 관점에서 거대 데이터셋 구조 내 Data Synthesis를 적용하여 효과적인 데이터 축소를 가능하도록 한 방법론을 소개하고 있다. 거대한 데이터셋은 충분한 학습 능력을 제공할 수 있다는 점에서 장점을 갖지만, 그만큼의 메모리 등의 연산 용량 등을 요구한다는 점에서의 한계점을 갖는다. 이러한 문제점을 해결할 수 있는 방향에서의 제안이 Dataset Distillation이라고 할 수 있다. 본 방법론에서는 단순히 데이터셋의 수를 효율적으로 줄이는데 집중하지 않고, 데이터셋을 대변할 수 있는 이미지의 cluster와 함께 이를 합성하는 방법을 통해 Dataset을 대표하는 이미지로 꾸려진 Distillation을 달성한다. 더 적은 메모리 사용량으로도 기존 베이스라인 방법론을 능가하는 성능을 달성하였다. 이러한 연구 분야에 대해서 처음 접해본 나로써는 상당히 인상적이고, 흥미로운 연구 분야로 관심을 갖게 되었다.

<학회 후기>
이번 학회에서는 새롭게 진행하는 연구를 다른 연구자 분들께 공유드리는 자리로 의견을 나누는 과정에서 제 3자의 관점에서 궁금한 점과 부족한 점 등에 대한 의견들을 많이 들을 수 있어 의미있는 자리였다. 또한 다양한 연구원분들의 연구를 접하면서 최근 연구의 트렌드 및 기술의 발전 방향, 적용 분야 등에 대해서 살펴볼 수 있어 좋은 자리가 되었다. 특히 우수 학회 논문 발표 세션을 통해 국내 연구진들의 놀라운 성취 및 최근 학회에서의 관심사들을 확인할 수 있는 좋은 기회였다. 이러한 좋은 기회 및 시간을 마련해주신 교수님께 감사 인사를 드린다.