IJCNN은 39년 전통을 자랑하는 신경망 분야 최고 권위의 국제 학회로, 올해는 6월 30일부터 7월 5일까지 이탈리아 로마의 Pontifical Gregorian University에서 열렸다.
엘로이랩 연구팀(대표 저자: 이준기 연구원)이 발표한 논문 ‘Mitigating Long-Tailed Anomaly Score Distributions with Importance-Weighted Loss’는 산업 현장에서 빈번히 발생하는 이상탐지의 핵심 난제, 즉 이상점수의 긴 꼬리(long-tailed) 분포 문제를 해결하는 새로운 접근법을 제시했다.
기존의 이상탐지 모델은 정상 데이터를 단일 클래스로 학습하는 구조적 한계로 인해, 다양한 정상 패턴을 충분히 반영하지 못하고, 소수의 이상 데이터에 대한 민감도가 떨어지는 문제가 있었다. 엘로이랩은 이러한 한계를 극복하기 위해 ‘중요도 가중 손실 함수(Importance-Weighted Loss, IWL)’를 고안했다.
이 손실 함수는 통계적 이론에 기반해 개발되어, 기존 이상탐지 모델의 구조를 변경하지 않고도 성능을 유의미하게 향상시킬 수 있는 점이 특징이다.
이번 연구는 기존의 벤치마크 이미지 데이터셋뿐만 아니라, 실제 산업 환경에서 활용도가 높아지고 있는 초분광 이미지 데이터셋 3종을 대상으로도 동일한 성능 개선 효과를 입증했다. 이를 통해 엘로이랩의 알고리즘이 제조, 환경, 식품 등 고차원 데이터 기반 산업 현장에서도 높은 실용성을 가질 수 있음을 보여주었다.
초분광 이미지는 수십~수백 개의 파장 대역 정보를 동시에 담아내는 고차원 데이터로, 이물 탐지·품질 관리·환경 모니터링 등 다양한 산업 분야에서 활용도가 빠르게 증가하고 있다. 하지만 데이터의 복잡성과 이상 데이터의 희소성으로 인해 기존 딥러닝 기반 이상탐지 모델의 성능 한계가 지적되어 왔다. 엘로이랩의 IWL 기반 알고리즘은 이러한 산업적 요구에 부합하는 실질적 해법으로 평가받고 있다.
엘로이랩 연구팀은 “이번 연구는 손실 함수의 변형만으로도 이상탐지 모델의 단점을 효과적으로 완화할 수 있음을 보여준 실용적 접근법”이라고 강조했다. 또한 “향후 데이터 증강 및 다양한 인공지능 학습 기법과의 통합을 통해 성능을 한층 더 향상시키고, 다양한 산업 분야에 안정적으로 적용 가능한 알고리즘을 지속적으로 개발할 계획”이라고 밝혔다.
한경잡앤조이 온라인뉴스팀 기자 jobnjoynews@hankyung.com
© 매거진한경, 무단전재 및 재배포 금지