한 뉴런이 딥러닝을 능가한다

초록

본 논문은 지진 여진 분포 예측에서 기존 딥러닝 모델이 실제로는 단일 로지스틱 회귀(한 뉴런)와 동등하거나 열등함을 입증한다. 저자는 AUC 0.85 수준을 2개의 파라미터만으로 달성하고, 거리와 평균 파열량을 이용하면 AUC 0.86까지 향상된다는 점을 강조한다.

상세 분석

DeVries 등(2018)은 정적 응력 특성을 입력으로 하는 심층 신경망을 구축해 여진 발생 확률을 예측하고, ROC 곡선 기반 AUC 0.85를 보고하였다. 그러나 같은 응력 지표를 2017년에도 기존 방법으로 평가했을 때 이미 AUC 0.85에 도달했으며, 이는 딥러닝이 예측 성능을 실질적으로 개선하지 못했음을 시사한다. 본 논문은 이를 정량화하기 위해 로지스틱 회귀 모델을 적용한다. 로지스틱 회귀는 입력 변수와 출력 확률 사이에 선형 관계를 가정하고, 시그모이드 함수를 통해 확률을 출력한다. 여기서는 두 개의 자유 파라미터(가중치와 절편)만을 사용해 응력 합계, 최대 전단응력, von Mises 기준 등 세 가지 스칼라 지표를 결합하였다. 결과는 AUC 0.85로, 13 451개의 파라미터를 가진 딥러닝 모델과 동일한 수준이다. 이는 모델 복잡도와 과적합 위험을 고려할 때 로지스틱 회귀가 더 효율적임을 보여준다. 또한 저자는 거리와 주진 평균 파열량이라는 물리적 변수만으로도 AUC 0.86을 달성함을 입증한다. 거리 변수는 여진 발생 확률이 주진 파열면과의 거리 제곱에 반비례한다는 전통적 지진학적 가정을 반영하고, 평균 파열량은 에너지 방출 규모와 직접 연관된다. 이 두 변수만으로도 응력 기반 모델을 능가하는 성능을 보이며, 이는 복잡한 응력 텐서 계산보다 간단한 지표가 충분히 예측력을 제공한다는 중요한 교훈을 제공한다. 더 나아가 로지스틱 회귀는 파라미터 해석이 직관적이어서, 각 변수의 가중치를 통해 물리적 의미를 직접 파악할 수 있다. 반면 딥러닝은 수천 개의 가중치가 얽혀 있어 해석이 어려우며, 실제로는 응력 지표들의 선형 조합에 불과한 정보를 비선형으로 재구성하는 데 큰 이점을 보이지 않는다. 따라서 이 연구는 딥러닝이 반드시 복잡한 지진학 문제에 최적의 해법은 아니라는 점을 강조하고, 모델 선택 시 예측 성능뿐 아니라 해석 가능성, 파라미터 효율성, 데이터 요구량 등을 종합적으로 고려해야 함을 시사한다.