미로 탐색 학습 향상을 위한 클러스터링 기법

초록

본 논문은 셀룰러 동시 재귀 신경망(CSRN)이 미로의 최단 경로를 찾는 문제를 해결하도록 학습 시간을 단축하고 성능을 개선하기 위해, 미로의 구조적 정보를 이용해 클러스터링을 적용한 방법을 제안한다. 추가 외부 입력을 도입하고, 거리·방향·장벽 등 유의미한 변수를 기반으로 미로를 군집화함으로써 CSRN의 학습 효율이 크게 향상됨을 실험적으로 입증한다.

상세 분석

이 연구는 기존 CSRN이 단순 미로에서 최단 경로를 학습할 수 있다는 사실에 착안하여, 복잡한 미로에서도 학습 효율을 높이기 위한 전처리 단계로 클러스터링을 도입한다. 먼저 저자는 미로의 각 셀에 대해 ‘거리값(Goal까지의 맨해튼 거리)’, ‘방향성(Goal을 향한 최적 이동 방향)’, ‘장벽 존재 여부’ 등 세 가지 핵심 변수를 정의한다. 이 변수들은 미로 내에서 지역적 유사성을 판단하는 기준이 되며, K‑means 혹은 계층적 군집화 알고리즘을 통해 유사한 특성을 가진 셀들을 몇 개의 클러스터로 묶는다.

클러스터링 결과는 CSRN의 입력 구조에 직접 반영된다. 기존 CSRN은 두 개의 외부 입력(현재 셀의 상태와 목표 셀의 상태)만을 받았으나, 본 논문에서는 클러스터 레이블을 추가적인 외부 입력으로 확장하였다. 이는 네트워크가 동일 클러스터 내 셀들의 공통 패턴을 빠르게 학습하도록 돕고, 서로 다른 클러스터 간의 전이 규칙을 명확히 구분하게 만든다.

학습 단계에서는 표준 역전파와 함께 ‘동시 재귀’ 구조를 유지하면서, 클러스터 정보를 이용한 가중치 초기화 기법을 적용한다. 초기 가중치를 클러스터별 평균값으로 설정함으로써, 초기 단계부터 의미 있는 경로 정보를 제공한다. 실험 결과, 클러스터링을 적용한 CSRN은 동일한 에폭 수에서 평균 오류율이 약 30% 감소했으며, 수렴 속도도 기존 모델 대비 2배 이상 빨라졌다.

또한 저자는 클러스터 수와 네트워크 성능 간의 트레이드오프를 분석한다. 클러스터 수가 너무 적으면 정보 손실이 발생해 학습 효율이 떨어지고, 과도하게 많으면 입력 차원이 증가해 과적합 위험이 커진다. 최적의 클러스터 수는 미로 크기와 복잡도에 따라 달라지지만, 실험에서는 전체 셀의 5~10% 정도가 적절한 범위임을 제시한다.

한계점으로는 현재 2차원 격자형 미로에만 적용 가능하다는 점과, 클러스터링 단계가 추가적인 전처리 비용을 발생시킨다는 점을 들 수 있다. 향후 연구에서는 동적 클러스터링(학습 중 실시간 재분류)과 3차원 혹은 비격자형 환경으로의 확장을 제안한다.