효율적이고 정확하며 해석 가능한 기계학습 기반 고장확률 계산 방법

초록

본 논문은 컴퓨터 모델 평가 횟수를 최소화하면서 비선형 고장 경계의 기하학을 보존하는 새로운 분류 기법인 Gabriel 편집 집합 기반 Penalized Profile SVM(PSVMG)을 제안한다. 적응형 샘플링(POF‑Darts)과 지역 선형 서프라이즈 경계를 결합해 높은 정확도와 해석 가능성을 동시에 달성한다.

상세 분석

이 연구는 고장확률 추정 문제를 “비선형 결정 경계”를 찾는 분류 문제로 재구성하고, 기존의 전통적 Monte‑Carlo 방법이 요구하는 방대한 샘플링 비용을 크게 절감한다는 점에서 의미가 크다. 핵심 아이디어는 두 단계로 나뉜다. 첫째, POF‑Darts라는 적응형 샘플링 기법을 이용해 경계 근처에 고밀도 샘플을 배치한다. 각 샘플은 경계와의 거리 추정값을 반경으로 하는 구를 형성하고, 구가 겹치지 않도록 “다트” 형태의 하이퍼플레인을 따라 새로운 점을 생성한다. 이 과정은 경계가 복잡할수록 자동으로 샘플을 집중시켜 효율성을 높인다.

둘째, 수집된 샘플 중 서로 다른 클래스를 갖는 Gabriel 이웃 쌍을 찾아 Gabriel 편집 집합(GES)을 구성한다. GES의 각 쌍에 대해 중점(Characteristic Boundary Point, CBP)을 계산하고, 이 CBP들을 Lloyd‑k‑means가 아닌 클래스 불균형을 보정한 MagKmeans로 군집화한다. 각 군집은 서로 다른 클래스의 점을 모두 포함하므로, 군집 내 데이터를 이용해 소프트‑마진 SVM(패널티 파라미터 β)을 학습하면 해당 지역의 선형 서프라이즈 경계가 도출된다. 여러 지역 경계들을 앙상블 평균(가중 평균)으로 결합함으로써 전체 비선형 경계를 근사한다.

이 방법론의 이론적 기여는 두 가지 수렴 정리이다. 첫째, 샘플 수가 증가함에 따라 GES와 CBP가 실제 경계에 점점 더 가까워져 지역 선형 근사가 전역 경계에 수렴함을 보인다. 둘째, 이러한 근사 경계를 이용한 확률 추정값이 실제 고장확률에 일관적으로 수렴한다는 것을 증명한다.

실험에서는 4개의 베이지안·공학 테스트 문제와 Lotka‑Volterra 경쟁 종 모델에 적용해, 기존 SVM(커널), Random Forest, XGBoost 등 최신 분류기와 비교하였다. 동일한 평가 횟수(수천 회)에서 PSVMG는 평균 5~10% 낮은 절대 오차를 기록했으며, 특히 고차원(>10) 문제에서도 샘플 효율성이 유지되었다. 또한 각 지역 경계가 선형 형태이므로, 물리적 해석(예: 임계 파라미터 조합)과 설계 최적화에 직접 활용할 수 있다.

한계점으로는 (1) 경계와의 거리 추정이 초기 샘플에 크게 의존해 초기 단계에서 부정확할 수 있고, (2) 매우 고차원(>30)에서는 Gabriel 그래프 구축 비용이 급증한다는 점이다. 또한 파라미터 β와 군집 수 K의 선택이 결과에 민감하므로 자동 튜닝 전략이 필요하다. 전반적으로, 고성능과 해석 가능성을 동시에 요구하는 신뢰성 공학 분야에 실용적인 도구가 될 잠재력이 크다.