특징 기반 일반화 예측 모델로 인지·추상 추론 구현

초록

본 논문은 SIFT 기반 특징 검출과 RANSAC을 이용한 어파인 변환 추정으로, 제한된 한 번의 관찰만으로 라벤의 진행 매트릭스(RPM)와 유사한 과제를 인간 수준에 가깝게 해결하는 알고리즘을 제시한다. 모델은 기호적·연속적 자극 모두에 적용 가능하며, 추론 과정을 규칙 형태로 출력한다.

상세 분석

이 연구는 인간의 유동 지능을 평가하는 전통적 도구인 Raven’s Progressive Matrices(RPM)를 단순화한 과제에 대해, 딥러닝 기반 블랙박스 모델이 아닌 해석 가능한 알고리즘적 접근을 시도한다. 핵심은 이미지 내부에서 스케일 불변 특징을 추출하는 SIFT(또는 ORB) 알고리즘을 활용해, 세 개의 입력 패턴(A, B, C) 사이에 존재하는 반복적인 기하학적 관계를 파악하는 것이다. 특징 매칭은 브루트포스 방식으로 수행되며, 매칭 품질을 높이기 위해 최근접 이웃 거리 비율(0.8)을 적용한다.

매칭된 특징점 집합을 기반으로 RANSAC(Random Sample Consensus) 절차를 반복 적용한다. 첫 번째 RANSAC 단계에서는 가장 큰 인라이어 집합을 찾아 기본 어파인 변환(회전, 이동, 스케일) 파라미터를 추정한다. 이후 남은 아웃라이어와 임의로 선택된 인라이어 3점을 재조합해 추가 변환을 탐색함으로써, 복합적인 변환 시퀀스(예: 회전 후 스케일 변환)를 단계별로 발견한다. 각 단계마다 로컬 유사도 지표를 MSE 기반으로 계산하고, 가장 낮은 오류를 보이는 변환을 선택한다. 변환 탐색은 10회 반복해 확률적 변동성을 보완한다.

변환 시퀀스가 확보되면, 이를 실제 이미지에 적용해 변형된 결과를 얻고, 모든 단계의 출력 이미지를 합산한 뒤 사전 정의된 임계값(최대 픽셀값의 1/2, 1/3 등)으로 이진화한다. 이 과정은 이미지 구성 요소의 가감(덧셈·뺄셈) 효과를 모방하며, 최종 출력과 정답 이미지 사이의 전역 유사도(MSE)를 다시 평가한다. 전역 유사도가 최소가 되는 변환·합성·임계값 조합을 최종 규칙으로 채택한다.

실험은 네 가지 조건(Perceptual Matching, Perceptual Reasoning, Symbolic Matching, Symbolic Reasoning)으로 구성된 384회 트라이얼에 대해 수행되었다. 모델은 Symbolic Reasoning 조건에서 인간 평균 정확도에 근접한 성능을 보였으며, Perceptual 조건에서도 통계적으로 의미 있는 수준을 유지했다. 특히, 모델은 단 한 번의 관찰(원-샷 러닝)만으로도 규칙을 추출하고, 해당 규칙을 기호 형태(예: “A→B는 45° 회전 후 1.2배 확대”)로 표현한다는 점에서 기존 딥러닝 기반 RPM 솔버와 차별화된다.

또한, 인간 뇌영상 연구와의 연계 해석을 제시한다. 앞서 Morin et al.(2023)에서 보고된 전두-두정 피질 네트워크의 기능적 재구성이, 본 모델이 수행하는 “변환 시퀀스 탐색” 과정과 일치한다는 가설을 제시함으로써, 인간의 추론 메커니즘을 알고리즘적으로 모델링하는 새로운 방향을 제시한다.

이러한 접근은 (1) 픽셀 수준 연산을 피하고 고차원 특징으로 추상화함으로써 연산 효율성을 확보, (2) 인간 시각 피질의 SIFT와 유사한 특성 검출 메커니즘을 모방, (3) 변환 파라미터 자체가 규칙 설명이 되므로 설명 가능 AI(Explainable AI) 요구에 부합한다는 장점을 가진다. 다만, 현재는 SIFT/ORB에 의존하는 특성 검출이 복잡한 텍스처나 색상 변형에 취약할 수 있으며, 변환 탐색 과정이 여전히 탐욕적(greedy)이고 임계값 선택이 임의적이라는 한계가 있다. 향후 연구에서는 딥러닝 기반 특징 추출기와 결합하거나, 베이지안 최적화 등을 도입해 변환 시퀀스 탐색을 보다 체계화할 필요가 있다.