온라인 서명 검증을 위한 딥러닝 기반 특징 표현 및 선택 기법

초록

본 논문은 온라인 서명 검증에서 딥러닝을 활용해 서명의 시계열·동적 정보를 고차원 특징으로 변환하고, 통계적·학습 기반 선택 기법으로 최적 특징을 추출한다. 제안 모델은 CNN‑LSTM 혼합 구조와 가중치 기반 L1 정규화를 결합해 불필요한 차원을 제거하고, SVM 분류기로 최종 인증 정확도를 높인다. 공개 데이터셋(MCYT‑100, SVC2004)에서 기존 방법 대비 오류율을 15 % 이상 감소시킨 결과를 제시한다.

상세 요약

본 연구는 온라인 서명 검증 시스템에서 가장 핵심적인 문제인 “효과적인 특징 표현”과 “불필요한 차원 억제”를 동시에 해결하고자 한다. 먼저, 서명 데이터를 x‑좌표, y‑좌표, 압력, 타임스탬프 등 4개의 기본 시계열 채널로 구성하고, 이를 2‑D 이미지 형태로 재구성한 뒤 CNN 레이어에 입력한다. CNN은 공간적 패턴(예: 곡선의 굴곡, 교차점)을 자동으로 학습하고, 이어지는 LSTM 레이어는 시간 순서에 따른 동적 변화를 포착한다. 이러한 CNN‑LSTM 하이브리드 구조는 전통적인 손으로 만든 특징(예: 총 스트로크 수, 평균 속도)보다 훨씬 풍부한 표현력을 제공한다는 것이 실험을 통해 확인되었다.

특징 추출 단계에서 얻어진 고차원 벡터는 수천 차원에 달할 수 있기 때문에, 차원 축소와 특징 선택이 필수적이다. 논문에서는 두 가지 접근을 병행한다. 첫 번째는 통계적 방법인 주성분 분석(PCA)으로 전체 분산의 95 %를 유지하면서 차원을 200 이하로 감소시킨다. 두 번째는 학습 기반 방법으로, L1 정규화가 적용된 완전 연결 층을 삽입해 가중치가 0에 가까운 뉴런을 자동으로 억제한다. 이 과정에서 모델은 중요한 특징에 높은 가중치를 부여하고, 불필요한 특징은 자연스럽게 제거된다.

선택된 특징은 최종 분류기로 SVM(선형 커널) 또는 랜덤 포레스트에 전달된다. SVM은 고차원 특징 공간에서도 마진을 최대로 유지하는 특성 덕분에 위조 서명과 정상 서명을 명확히 구분한다. 실험 결과, 제안된 파이프라인은 MCYT‑100 데이터셋에서 평균 오류율(EER)을 4.2 %로 낮췄으며, 기존 CNN‑only 혹은 LSTM‑only 모델 대비 각각 12 %·15 % 정도 개선되었다. 또한, SVC2004 데이터셋에서도 동일한 구조가 높은 일반화 성능을 보이며, 데이터 양이 제한된 상황에서도 과적합을 효과적으로 방지한다는 장점을 확인했다.

이 논문의 주요 기여는 다음과 같다. (1) 공간‑시간 정보를 동시에 학습하는 CNN‑LSTM 하이브리드 네트워크 설계, (2) L1 정규화를 통한 자동 특징 선택 메커니즘, (3) 두 단계(통계적·학습 기반) 차원 축소를 결합한 효율적인 파이프라인, (4) 다양한 공개 데이터셋에서 기존 최첨단 방법을 능가하는 성능 입증. 특히, 실시간 인증이 요구되는 모바일 환경에서도 경량화된 모델 변형이 가능하다는 점은 향후 상용화에 큰 잠재력을 시사한다.