지역 적용 함수 기반 일반화 제약 신경망: 등식 제약의 새로운 구현

본 연구는 기존의 일반화 제약 신경망(GCNN) 모델에 새로운 제약 적용 방식을 도입함으로써, 등식 제약을 보다 효율적이고 정확하게 만족시키는 방법을 제시한다. 먼저 저자는 머신러닝 문제와 전통적인 최적화 문제를 비교하면서, 머신러닝에서의 등식 제약은 ‘예측 함수가 특정 형태를 따라야 하는 부분 집합’으로 해석된다고 설명한다. 전통적인 라그랑주 승수 방식은 제약을 전역적으로 적용해 목적 함수 전체에 영향을 미치므로, 제약이 필요 없는 영역까지 불필요한 변형을 초래한다는 한계를 지적한다. 이를 해결하기 위해 ‘지역 적용 스키마(LIS)’라는 개념을 도입하고, 구체적인 구현 수단으로 ‘지역 적용 함수(LIF)’를 제안한다. LIF는 Cauchy 분포 형태의 매끄러운 가중치 함수를 사용해, 입력 x와 제약 집합 C 사이의 거리 Δ에 따라 가중치 Ψ(Δ)∈(0,1]를 부여한다. Δ=0이면 Ψ=1이 되어 제약 함수 f_C(x)와 완전히 일치하고, Δ가 멀어질수록 Ψ는 급격히 감소해 원래의 비제약 예측 f(x)로 되돌아간다. 이렇게 하면 제약이 적용되는 영역에서만 강하게 제약을 강제하고, 그 외 영역에서는 기존 RBFNN의 일반화 능력을 그대로 유지한다. 수식적으로는 수정된 예측 함수 f_{W,C}(x) = (1‑Ψ(Δ))·f(x) + Ψ(Δ)·f_C(x) 로 정의하고, 이를 최소제곱 손실에 그대로 대입한다. 가중치 W는 기존 RBFNN 학습과 동일하게 선형 시스템 (ΦᵀΦ)+Φᵀy 를 풀지만, Φ와 y에 Ψ가 Hadamard 곱으로 적용된 형태가 된다. 따라서 기존 학습 절차를 그대로 활용하면서도 제약을 국부적으로 반영할 수 있다. 또한, 1차 미분 제약(Neumann 조건)까지 확장하였다. 미분 제약이 직접적인 함수 형태로 주어지지 않을 경우, 손실 함수에 두 개의 항을 추가해 (1‑Ψ)·(예측 오차)와 Ψ·(미분 오차)를 동시에 최소화한다. 미분 제약이 적분 가능할 경우, 적분 상수를 포함한 명시적 f_C(x)를 구성해 동일한 LIF 구조에 적용한다. 실험에서는 sin(x)/x 함수의 보간, Dirichlet 및 Neumann 경계값 문제를 대상으로 LIF 기반 GCNN(LIS)과 라그랑주 기반 GIS, 기존 BVC‑RBF, 라그랑주 보간 등 여러 비교 모델을 평가하였다. 결과는 LIF가 제약을 정확히 만족하면서도 전역 방식보다 학습 오차가 현저히 낮고, 특히 경계 근처에서 과도한 진동이나 오버슈팅이 감소함을 보여준다. 또한, LIF의 파라미터 γ(지역성 파라미터)를 적절히 조정하면 제약 영역의 폭을 제어할 수 있어, 복합적인 제약 조건이 존재하는 실제 문제에 유연하게 적용 가능함을 시사한다. 논문은 제약을 ‘기억’처럼 국부적으로 불러오는 뇌의 기억 메커니즘을 비유적으로 설명하며, 제약 적용의 시간·에너지 효율성을 강조한다. 향후 연구에서는 다중 제약, 비선형 제약, 그리고 딥 네트워크와의 결합을 통해 보다 복잡한 물리‑공학 문제에 적용하는 방향을 제시한다.