군중소싱 쌍대 라벨을 활용한 주관적 시각 속성 예측의 강건 학습

**1. 서론** 이미지·영상의 시각적 특성을 추정하는 작업은 컴퓨터 비전에서 핵심적인 역할을 한다. 대부분의 특성은 객관적이지만, 흥미도, 미적 감각, 주관적 속성 등은 사람마다 다르게 인식되는 **주관적 시각 속성(SVP)** 에 해당한다. 이러한 SVP를 정확히 예측하려면 대규모 라벨이 필요하지만, 절대값을 매기는 것이 사람에게 어려워 **쌍대 비교(pairwise comparison)** 로 라벨링하는 것이 일반적이다. 군중소싱 플랫폼(예: Amazon Mechanical Turk)을 이용하면 비용 효율적으로 라벨을 수집할 수 있지만, **노이즈와 이상치**가 많이 포함되고, 전체 가능한 O(N²) 쌍 중 일부만 라벨링되는 **희소성** 문제가 동시에 발생한다. 기존 연구는 다수결(majority voting)로 각 쌍마다 여러 라벨을 모아 평균을 내고, 그 결과를 바탕으로 순위 학습(RankSVM 등)을 수행한다. 그러나 다수결은 **지역적** 일관성만을 고려해 전역적인 순위 불일치를 잡아내지 못하고, 라벨이 충분히 중복되지 않으면 효과가 급격히 떨어진다. **2. 관련 연구** 주관적 속성 예측은 이미지 흥미도, 미적 평가, 기억력 등 다양한 분야와 연결된다. 기존 방법은 (i) 절대값 회귀, (ii) 쌍대 비교를 이용한 순위 학습, (iii) 다수결 기반 라벨 정제 등으로 크게 구분된다. 통계적 순위(HodgeRank, Bradley‑Terry)와 학습‑to‑rank(RankSVM, LambdaMART)도 존재하지만, 라벨 이상치를 명시적으로 모델링하지 않는다. 또한, 군중소싱 데이터에 대한 **활동적 학습**이나 **신뢰도 기반 필터링**이 제안되었지만, 대부분은 라벨을 개별적으로 처리한다. **3. 문제 정의 및 모델링** - 데이터: N개의 인스턴스와 d차원 특징 행렬 Φ ∈ ℝ^{N×d}. - 라벨: 방향성 그래프 G = (V, E) 로 표현, 각 간선 e_{ij}는 “i가 j보다 더 높은 SVP를 가진다”는 라벨 y_{ij} ∈ {+1, -1}. - 목표: 선형 순위 모델 w ∈ ℝ^{d}와 라벨 이상치 변수 γ ∈ ℝ^{|E|}를 동시에 추정한다. **4. 통합 강건 학습‑순위(UR‑LR) 프레임워크** 목적함수는 다음과 같다. \