인공지능 모델의 성능을 저하시키는 현상에 효과적으로 대응할 수 있는 학습 기술을 개발됐다. 국내 산업에서의 인공지능 활용 가능성 제고와 성능 강화에 기여할 수 있을 것으로 기대된다.
25일 유니스트(UNIST·울산과학기술원)에 따르면 산업공학과·인공지능대학원 김성일·임동영 교수팀이 '데이터 드리프트에 강건한 시계열 학습 기술'을 개발했다.
시계열 데이터는 시간 순서에 따라 일정 주기를 가지고 연속적으로 수집된 데이터를 말한다. 금융, 경제, 교통, 농업, 제조, 헬스케어 등 각종 산업에서 사용되는 수많은 데이터가 시계열 형태를 가지고 있다.
시계열 데이터는 데이터 발생에 영향을 주는 외부 요인들이 변함에 따라 데이터 드리프트 현상이 발생한다. 데이터 드리프트는 인공지능 모델이 훈련에 사용한 데이터와 실제 운영 환경의 데이터가 달라지는 것을 말한다.
김성일 교수는 "데이터 드리프트가 발생할 경우 시계열 학습 인공지능 모델의 성능이 저하된다"며 "각종 산업 등에서 시계열 데이터 활용을 어렵게 만드는 고질적 문제다"고 덧붙였다.
연구팀은 이런 문제를 효과적으로 대응할 수 있게 하는 Neural SDEs (Stochastic Differential Equations) 기반의 강건한 신경망 구조 설계에 대한 방법론을 개발했다. Neural SDEs는 잔차 신경망 모델 스킵 연결을 통해 잔차를 학습하도록 만들어진 인공신경망으로 일반적인 딥러닝 신경망 모델보다 예측 정확도가 높다.
연구팀은 방법론에 따라 설계한 세 가지 Neural SDEs 모델 Langevin-type SDE, Linear Noise SDE, Geometric SDE을 선보였다. 제안된 모델들은 데이터 드리프트 현상이 일어난 데이터셋에서 보간, 예측, 분류 등의 다양한 작업을 수행할 때 안정적이며 우수한 성능을 보였다.
임동영 교수는 "최근 동적 데이터 환경에 따른 데이터 드리프트로 인해 시계열 인공지능 모델의 성능이 저하되는 사례들이 빈번하다"며 "이 연구는 처음부터 드리프트에 강건하도록 인공지능을 훈련시킬 수 있도록 하는 방법론을 개발, 이의 성능을 이론적, 실험적으로 검증했다는 데에 의의가 있다"고 전했다.
이번 연구는 세계적인 권위의 국제 학회인 ICLR(International Conference on Learning Representations)에 상위 5%에 해당하는 spotlight 논문으로 선정돼 오는 5월 오스트리아 빈에서 발표될 예정이다.
이 연구는 한국보건산업진흥 바이오메디컬 글로벌 인재양성사업, 정보통신기획평가원 인공지능대학원사업, 과학기술정보통신부 한국연구재단 기본 연구 및 인간중심-탄소 중립 글로벌 공급망 연구센터의 지원으로 이뤄졌다. 정세영기자 seyug@