다중 작업 간 빌딩 블록 전이를 위한 관련성 측정 기법

초록

**
본 논문은 XOF 기반 학습 분류 시스템을 여러 개 동시에 운영하면서, 각 작업의 관찰 리스트(Observed List)를 비교해 비대칭적인 관련성을 추정하고, 이를 기반으로 빌딩 블록(코드 조각, CF)의 자동 전이를 수행하는 mXOF 프레임워크를 제안한다. 실험을 통해 계층적 Boolean 문제, 서로 다른 비트 패리티·캐리 문제, 그리고 UCI Zoo 데이터셋의 다중 이진 분류에 적용했을 때, 관련성이 높은 작업 간에는 성능 향상이, 무관한 작업 간에는 부정적 영향을 최소화함을 보였다.

**

상세 분석

**
이 연구는 멀티태스크 러닝(MTL)에서 가장 큰 난제 중 하나인 “작업 간 유해한 지식 전이” 문제를 해결하고자 한다. 기존 MTL 기법은 사전에 작업 간 유사성을 정의하거나, 무작위 매트릭스로 전이 강도를 조절하는 경우가 많아, 실제로는 관련성이 낮은 작업 간에 오히려 성능이 저하되는 현상이 빈번했다. 저자들은 XOF(Online‑Feature generation을 탑재한 XCS) 시스템이 생성하는 관찰 리스트(Observed List, OL) 를 활용해 각 작업의 가장 판별력 높은 코드 조각(CF) 집합을 추출한다.

핵심 가정은 “한 작업의 최우수 판별 패턴은 그 작업의 특성을 가장 잘 나타낸다”는 점이다. 따라서 두 작업의 OL 간 교집합에 포함된 CF들의 CF‑fitness(규칙 적합도 대비 복잡도 비율)를 합산해 비대칭적 관련성(RelS​S(a,b)) 을 정의한다. 수식 (4)는 a 작업의 OL에 있는 CF 중 b 작업에서도 유용하게 쓰일 가능성이 얼마나 되는지를 정량화한다. 비대칭성은 한 작업이 다른 작업의 하위 집합이 될 때, 전이 가능성이 일방적으로 높아지는 현상을 자연스럽게 반영한다.

관련성이 높은 작업 쌍에 대해서는 전이 확률 p₍ᵢ,ⱼ₎ 를 해당 RelS​S 값에 비례하도록 설정하고, 전이 확률이 낮은 경우에는 전이를 억제한다. 전이 메커니즘은 CF‑population을 공유함으로써 구현된다. 즉, 모든 XOF 인스턴스가 동일한 CF 풀을 참조하고, 각 인스턴스는 자신의 OL에 기반해 해당 CF를 규칙‑적합도‑복잡도 비율(rule‑fitness‑rate) 로 평가한다. 전이 과정에서 선택된 CF는 즉시 다른 작업의 규칙 생성에 활용되며, 이는 기존 XCS의 “니치 기반” 진화와 자연스럽게 결합한다.

실험 설계는 세 가지 시나리오로 구성된다. 첫 번째는 계층적 Boolean 문제(예: 3‑레벨 XOR)로, 하위 레벨 패턴이 여러 작업에 공통적으로 존재하므로 높은 관련성을 기대한다. 두 번째는 무관한 작업인 11‑bit Even Parity와 10‑bit Carry 문제를 동시에 학습시켜, 전이 메커니즘이 불필요한 전이를 억제하는지를 검증한다. 세 번째는 UCI Zoo 데이터셋을 7개의 이진 분류 태스크로 변환해, 사전 지식 없이도 잠재적 관련성을 자동 발견하고 전이 효율을 평가한다.

결과는 계층적 문제에서 기존 단일 XOF 대비 정확도 5~8% 향상을 보였으며, 무관한 작업에서는 전이로 인한 성능 저하가 거의 없었다. Zoo 데이터셋에서는 일부 클래스(예: 포유류와 조류) 사이에 의미 있는 관련성이 포착되어, 해당 클래스 간 전이가 정확도를 약 3% 상승시켰다. 이는 관찰 리스트 기반 비대칭 관련성 측정이 실제 문제에서 유용한 전이 신호를 제공함을 입증한다.

또한, 이 접근법은 지속적 학습(continual learning) 환경에 자연스럽게 적용될 수 있다. 새로운 작업이 추가될 때마다 해당 작업의 OL만 계산하면 기존 작업과의 관련성을 즉시 추정할 수 있어, 재학습 없이도 동적 전이 정책을 업데이트할 수 있다. 이는 인간이 새로운 상황에 기존 지식을 선택적으로 적용하는 방식과 유사한, 보다 일반화된 멀티태스크 학습 프레임워크로 평가된다.

**