전력망 픽셀 지도 인사이트 식별·주석을 위한 인터랙티브 딥러닝 프레임워크

초록

본 논문은 전력망 픽셀 지도(PGPM)에서 운영 상태와 이상 변화를 의미하는 인사이트를 자동으로 탐지하고 다중 라벨 주석을 달기 위한 인터랙티브 시스템을 제안한다. 핵심은 DenseU‑Hierarchical VAE(DUHiV)라는 새로운 계층형 변분 오토인코더 구조로, 기존 MLP 기반 계층형 VAE보다 ELBO가 크게 개선된다. 학습된 잠재 표현을 시각화 인터페이스에서 조작해 인사이트를 정의하고, 정의된 인사이트 표현과 PGPM의 잠재 벡터 간 유사도 계산을 통해 반자동 주석을 수행한다. 실험 결과, 제안 모델이 샘플 재생 품질과 주석 정확도 모두에서 기존 베이스라인을 능가함을 확인하였다.

상세 분석

이 논문은 전력망 시뮬레이션 결과를 시각화한 픽셀 지도(PGPM)를 대상으로, 전문가 의존적인 수작업 인사이트 탐색을 자동화·시각화하려는 시도를 담고 있다. 핵심 기술은 두 가지 측면에서 혁신적이다. 첫째, DenseU‑Hierarchical VAE(DUHiV)라는 새로운 변분 오토인코더 아키텍처를 설계하였다. 기존 계층형 VAE는 주로 전결합 다층 퍼셉트론(MLP) 기반 인코더·디코더를 사용했으며, 대규모 이미지(예: 800×640)에서 표현 학습이 어려웠다. DUHiV는 인코더에 DenseNet‑121 기반의 dense block을 도입해 피처 재사용과 그라디언트 흐름을 개선하고, 디코더에는 U‑Net 형태의 대칭적 업샘플링 경로를 적용해 공간 정보를 보존한다. 또한, 2‑layer와 4‑layer 두 종류의 잠재 계층을 데이터 규모에 맞게 선택함으로써, 잠재 변수 간의 계층적 의존성을 효과적으로 모델링한다. 실험에서 ELBO가 기존 DLGM, Ladder VAE 대비 현저히 높아, 학습된 잠재 분포가 원본 PGPM을 더 정확히 재현함을 보여준다.

둘째, 학습된 잠재 표현을 인간이 직접 탐색·조작할 수 있는 인터랙티브 시각화 인터페이스를 제공한다. t‑SNE와 K‑means 클러스터링을 이용해 전체 PGPM을 2‑D 투영하고, 블루 노이즈 샘플링으로 시각적 혼잡을 최소화한다. 사용자는 클러스터를 선택해 평균 PGPM과 개별 PGPM을 비교하고, 잠재 변수 값을 직접 편집하거나 선형 보간, 벡터 연산(덧셈·뺄셈) 등을 수행한다. 이러한 연산은 잠재 공간에서 의미 있는 변화를 일으키며, 재구성된 PGPM을 실시간으로 확인함으로써 ‘인사이트’를 정의한다. 정의된 인사이트는 해당 잠재 벡터와 설명을 저장해 인사이트 뷰에 기록된다.

주석 단계에서는 두 가지 방법을 제시한다. (1) 반지도학습 방식에서는 사용자가 일부 PGPM에 직접 라벨을 붙이고, 나머지는 DUHiV가 학습한 잠재 표현을 기반으로 유사도(유클리드 거리) 기준으로 자동 라벨링한다. (2) 완전 비지도 방식에서는 사전에 정의된 인사이트 벡터와 각 PGPM의 잠재 평균 벡터 간 거리를 계산해 다중 라벨 확률을 추정한다. 실험에서는 라벨이 10개인 PGPM‑3K 데이터셋(3,504개)에서 평균 2.5개의 라벨이 부여된 실제 라벨과 비교해, 제안된 비지도 주석이 85% 이상의 정확도를 달성했으며, 반지도학습은 90% 이상으로 성능을 끌어올렸다.

전체적으로 이 연구는 (1) 대규모 전력망 시각 데이터에 특화된 고성능 VAE 설계, (2) 인간‑기계 협업을 통한 인사이트 정의·주석 워크플로우, (3) 실험을 통한 정량·정성 검증이라는 세 축을 균형 있게 결합했다. 다만, 잠재 공간 탐색이 여전히 전문가의 직관에 크게 의존한다는 점, 그리고 t‑SNE 기반 투영이 고차원 구조를 완전히 보존하지 못한다는 한계가 남는다. 향후 연구에서는 잠재 변수의 의미론적 해석을 자동화하거나, 보다 스케일러블한 차원 축소 기법을 도입해 인터페이스 효율성을 높이는 방향이 기대된다.