WrapUp Report 우수사례 선정

영화 리뷰 감성 분류 및 예측 프로젝트에서 작성했던 WrapUp Report가 우수사례로 선정되었다. WrapUP Report 링크

처음해보는 프로젝트였기도 하고, 모델 Finetuning을 처음해보다 보니, 2주내에 데이터 전처리부터 모델 Finetuning까지 완성하기가 쉽지는 않았다.

따라서 최대한 이론적으로 배운 내용을 적용해서 실제 코드로 모델에 적용하려고 노력을 했다..

프로젝트를 마치고 정리하며 드는 생각들..

Wrap Up Report에도 자세히 설명이 되어있는데, 이론적으로 배운 내용을 그냥 좋으니까 적용하는게 아니라, 현재 프로젝트의 목표를 이루기 위해서 왜 그 방법을 사용해야하는지를 생각하면서 사용했다.

예를들어서 감성분류를 위한 모델이므로, 학습시키는 데이터에 최대한 영화에 대한 감상이나 감정이 남아있어야 한다고 가설을 세웠다. 따라서 이모지나, ‘ㅋㅋ’, ‘ㅠㅠ’와 같은 글자가 아닌 데이터들을 제거할수도 있지만, 최대한 정규화해서, 커스텀토큰으로 매핑한 후 해당 정보들까지 Finetuning에 사용했고 그 결과 1.8%p의 Public Score향상을 이룰 수 있었다.

물론 모든 방법들이 성공한것은 아니다. EDA결과 학습 데이터에 클래스 불균형이 있는것으로 판단하고 WCE에서 Weight를 각 비율의 역수로 실험해보았는데, 그 결과 오히려 성능하락이 있었고, 일반적으로 사용하는 방법이 무조건 옳지만은 않다라는것을 알 수 있었다. 이후 손가락뼈 Semantic Segmentation 프로젝트에서도 일반적으로 CLAHE를 Augmentation으로 사용하는것이 좋다고 알려져있었지만, 오히려 성능이 하락했던 경우도 있었다.

무엇보다 중요한건, 논문을 비롯한 많은 자료들을 찾아보며 나와 비슷한 문제를 해결한 사람들이 사용한 방법들을 찾아보고, 그 방법이 내 Task에 적용될지 가설을 세워보고 직접 실험해보는 그 Process 자체가 중요한것 같다.

멘토님의 우수사례 선정 이유

[실험 과정의 명확한 서술]

• 단순히 무엇을 했는지 나열한 것이 아니라, WCE 적용 이유(클래스 비율 역수 기반 가중치), 특수 토큰 정규화 목적, Stratified K-Fold를 통한 robust 평가 등 각각을 적용한 ‘의도’가 뚜렷하게 드러나 실험 설계의 깊이가 돋보였습니다.

[보고서 전체가 ‘왜 이 결론에 도달했는지’가 명확함]

• 최종 성능만 기록하는 것이 아니라, 그 성능이 어떻게 만들어졌는지 전체 실험 여정을 통해 설명하고 있어, 단순 결과 보고서가 아닌 사고 과정을 기록하여 어떤 고민을하고 결과가 나왔는지를 알 수 있어서 좋았습니다.

‘문제 정의 → 가설 설정 → 실패 분석 → 성능’으로 이어지는 연구 수준의 논리적 구조를 갖추고 있다는 점에서 우수 사례로 선정했습니다.

프로젝트의 성과가 만족스럽지는 않았지만, 실험마다의 가설을 설정하고, 검증해나가는 방법이 올바른 방법이었다는것을 확신할 수 있어서 좋았다.

우수 사례 선정 선물로 에코백이랑 우산, 그리고 이런저런 선물들을 주셨다.. 앞으로의 프로젝트에 얻어갈 인사이트가 많은 첫 프로젝트였다. 그리고 첫프로젝트부터 우수사례로 선정되어서 앞으로도 남은 프로젝트를 열심히할 동기부여가 되었다!