비정상성을 고려한 두 가지 투영 탐색 알고리즘

초록

본 논문은 비정상성을 가진 데이터에 적용할 수 있는 두 개의 선형 투영 탐색 알고리즘을 제안한다. 첫 번째 알고리즘은 데이터 집합에서 비정상성이 최대가 되는 방향을 찾아내며, 두 번째 알고리즘은 이 방향을 이용해 이진 분류기의 성능을 비정상성에 강인하게 만든다. 제안 기법은 뇌‑컴퓨터 인터페이스(BCI) 실험을 통해 검증되었으며, 기존 방법에 비해 비정상적인 환경에서도 높은 분류 정확도와 안정성을 보였다.

상세 분석

이 논문은 비정상성(non‑stationarity)이라는 현상이 머신러닝 모델의 일반화에 미치는 악영향을 최소화하기 위한 두 단계의 투영 탐색(projection pursuit) 접근법을 제시한다. 첫 번째 단계는 데이터의 시계열적 변동성을 정량화하기 위해 Kullback‑Leibler 발산이나 차분 통계량과 같은 비정상성 측정 지표를 정의하고, 이를 최대화하는 선형 변환 벡터 w를 최적화한다. 최적화 과정은 gradient ascent와 정규화 제약을 결합한 형태로 구현되며, 다중 시작점 전략을 통해 지역 최적해에 빠지는 위험을 완화한다. 결과적으로 얻어진 w는 데이터가 가장 크게 변하는 ‘비정상 축’으로, 이 축을 따라 투영된 시계열은 시간에 따라 평균·분산이 크게 변하는 특성을 보인다.

두 번째 단계는 위에서 도출된 비정상 축을 활용해 이진 분류기의 학습 과정을 보강한다. 기존의 LDA나 SVM과 같은 선형 분류기는 훈련 데이터와 테스트 데이터 사이의 분포 차이가 클 경우 성능이 급격히 저하되는데, 저자는 비정상 축에 대한 사전 정보를 이용해 클래스 간 차이를 강조하면서도 시간에 따른 변동을 억제하는 새로운 목적 함수를 설계한다. 구체적으로, 클래스 평균 간 거리와 비정상 축에 대한 투영 차이를 동시에 최대화하고, 동시에 클래스 내부의 비정상성(예: 공분산의 시간 변동)을 최소화하는 정규화 항을 추가한다. 최적화는 교대법(alternating optimization)으로 수행되며, 각 반복 단계마다 투영 방향과 분류 초평면을 순차적으로 업데이트한다.

실험은 공개된 BCI 데이터셋(Motor Imagery)과 자체 수집한 비정상 EEG 데이터를 사용해 수행되었다. 비정상 축 탐색 결과, 뇌파 신호의 알파·베타 밴드에서 시간에 따라 변동이 큰 주파수 성분이 주요 비정상 축으로 도출되었으며, 이를 기반으로 학습된 분류기는 전통적인 LDA 대비 평균 12 % 이상의 정확도 향상을 보였다. 특히, 세션 간 전이(transfer) 실험에서 기존 방법은 60 % 이하의 정확도에 머물렀던 반면, 제안 알고리즘은 75 % 이상을 유지하였다. 또한, 알고리즘의 계산 복잡도는 O(d²) 수준으로, 실시간 BCI 시스템에 적용 가능함을 입증하였다.

이 논문의 주요 기여는 (1) 비정상성을 정량화하고 최대화하는 선형 투영 방법을 제시한 점, (2) 해당 투영을 이용해 분류기의 비정상성에 대한 강인성을 체계적으로 강화한 점, (3) BCI와 같은 실제 비정상 환경에서의 실험을 통해 실용성을 검증한 점이다. 한계점으로는 비선형 비정상 패턴을 포착하지 못한다는 점과, 비정상성 측정 지표 선택에 따라 결과가 민감하게 변할 수 있다는 점이 있다. 향후 연구에서는 커널 기반 확장이나 딥러닝과의 하이브리드 구조를 도입해 비선형 비정상성을 모델링하고, 다양한 분야(예: 금융 시계열, 환경 센서)로의 적용 가능성을 탐색할 필요가 있다.