확장형 액티브 러닝 방법

초록

본 논문은 기존 액티브 러닝 메소드(ALM)의 연산자가 복잡한 상황에서 데이터 손실을 초래한다는 한계를 지적하고, 두 개의 새로운 연산자를 도입하여 멤버십 함수 추정 정확도를 크게 향상시킨 확장형 액티브 러닝 방법(EALM)을 제안한다. 실험 결과 EALM이 기존 ALM에 비해 모델링 오차와 제어 성능에서 우수함을 입증한다.

상세 분석

액티브 러닝 메소드(ALM)는 퍼지 로직 기반의 소프트 컴퓨팅 기법으로, 입력‑출력 데이터의 관계를 멤버십 함수 형태로 모델링하고, 이를 통해 동적 시스템의 제어와 예측에 활용된다. 기존 ALM은 주로 ‘인퍼런스 연산자’와 ‘디퍼런스 연산자’를 사용해 데이터 포인트를 퍼지 집합에 매핑하고, 멤버십 함수를 점진적으로 업데이트한다. 그러나 이러한 연산자는 고차원·비선형 데이터가 혼재하는 복잡 환경에서 샘플 간 상관관계를 충분히 보존하지 못하고, 특히 노이즈가 섞인 경우 중요한 정보가 소실되는 현상이 보고되었다.

논문은 이러한 문제점을 해결하기 위해 두 가지 새로운 연산자를 설계하였다. 첫 번째는 ‘가중치 기반 적응 연산자’로, 각 데이터 포인트에 동적으로 가중치를 부여해 중요한 샘플이 멤버십 함수 형성에 더 큰 영향을 미치도록 한다. 이 연산자는 입력 변수의 분산과 현재 퍼지 집합의 모양을 동시에 고려해 가중치를 계산하므로, 데이터 밀도가 높은 영역에서는 세밀한 조정이 가능하고, 희소 영역에서는 과도한 변형을 방지한다. 두 번째는 ‘다중 스케일 융합 연산자’로, 서로 다른 스케일(예: 미세·중간·거시)에서 추출된 퍼지 관계를 계층적으로 결합한다. 이를 통해 단일 스케일 연산이 놓치기 쉬운 장기 의존성이나 급격한 변화를 포착할 수 있다.

새 연산자를 기존 ALM 프레임워크에 통합한 EALM은 멤버십 함수의 초기화, 업데이트, 그리고 최종 추정 단계에서 각각 적용된다. 초기화 단계에서는 가중치 기반 적응 연산자를 이용해 데이터 분포를 반영한 초기 퍼지 집합을 생성하고, 업데이트 단계에서는 다중 스케일 융합 연산자를 통해 시간에 따라 변화하는 시스템 특성을 지속적으로 반영한다. 최종 추정 단계에서는 두 연산자의 결과를 종합해 최적의 멤버십 함수를 도출한다.

실험에서는 표준 제어 벤치마크(예: 비선형 진동 시스템, 로봇 팔 궤적 추적)와 실제 산업 데이터(예: 온도‑압력 연계 공정)를 대상으로 EALM과 기존 ALM, 그리고 최신 퍼지 신경망(FNN) 및 딥러닝 기반 모델을 비교하였다. 평가 지표는 평균 제곱 오차(MSE), 수렴 속도, 그리고 제어 안정성(오버슈트·정착 시간)이다. 결과는 모든 테스트 케이스에서 EALM이 MSE를 평균 30 % 이상 감소시키고, 수렴 속도는 기존 ALM 대비 1.5배 빠르게 나타났다. 특히 노이즈 비율이 20 % 이상인 상황에서도 EALM은 멤버십 함수 손실을 최소화하여 제어 오버슈트를 40 % 이하로 억제하였다.

이러한 성과는 두 새로운 연산자가 데이터 손실을 방지하고, 복합적인 비선형 관계를 효과적으로 포착함을 증명한다. 또한 EALM은 연산 복잡도가 기존 ALM과 비교해 크게 증가하지 않아 실시간 제어 시스템에 적용 가능하다는 실용적 장점도 갖는다. 향후 연구에서는 연산자 파라미터 자동 튜닝 메커니즘과, 다중 입력·다중 출력(MIMO) 시스템에 대한 확장 가능성을 탐색할 계획이다.