채널별 프로토타입 기반 설명 가능한 신경망으로 지리공간 학습 혁신

초록

본 논문은 다중 채널(변수) 지리공간 데이터를 위해 설계된 프로토타입 기반 설명 가능한 신경망(ProtoXNet)을 제안한다. 각 채널마다 독립적인 프로토타입을 학습해 입력과의 유사도를 기반으로 예측을 수행함으로써, 전통적인 RGB 이미지 전용 XAI 모델의 한계를 극복하고, 기후 변수와 위성 스펙트럼 등 다변량 데이터에 대한 직관적인 해석을 제공한다. 두 가지 실제 사례(기후 위상 분류와 토지 이용 분류)에서 기존 딥러닝 대비 동등한 정확도를 유지하면서도 로컬·글로벌 설명을 생성한다.

상세 분석

본 연구는 기존 프로토타입 기반 XAI 모델이 RGB 이미지에 최적화된 점을 비판적으로 검토하고, 지리공간 데이터가 갖는 다채널 특성을 명시적으로 반영하지 못한다는 근본적인 한계를 지적한다. 이를 해결하기 위해 제안된 모델은 입력 데이터를 채널별로 분리하고, 각 채널에 독립적인 인코더와 프로토타입 레이어를 두어 채널‑특이적 특징을 별도로 학습한다. 인코더 E는 각 채널 X(i)j∈ℝ^{H×W}를 저차원 임베딩 Z(i)j∈ℝ^{h×w×d}로 변환하며, 이 과정에서 채널별 공간 구조와 스펙트럼 특성을 보존한다. 이후 프로토타입 레이어 Pj는 학습된 프로토타입 Φj∈ℝ^{N×d}와 임베딩 Z(i)j의 유사도를 계산해 유사도 행렬 S(i)j∈ℝ^{N×h×w}를 생성한다. 여기서 N은 채널당 프로토타입 수이며, 각 프로토타입은 서로 다른 훈련 샘플에서 추출된 대표 패턴을 의미한다. 유사도는 L2 거리 기반의 소프트맥스 형태로 정규화되어, 프로토타입별 기여도를 명확히 파악할 수 있다. 이후 max‑pooling을 통해 각 채널에 대한 최댓값 M(i)j∈ℝ^{N}를 추출하고, 이를 채널별로 연결(concatenation)하여 최종 피처 벡터 A∈ℝ^{N·C}를 만든다. 마지막 선형 분류기 L은 A에 대한 가중치 ω∈ℝ^{K×N·C}와 편향 b를 적용해 클래스 확률을 출력한다. 학습 목표는 크로스 엔트로피 손실과 프로토타입 정규화 손실(프로토타입 간 거리 최소화 및 다양성 확보)을 동시에 최소화하는 복합 손실 함수이다. 이 설계는 (1) 채널‑별 프로토타입을 통해 각 물리적 변수의 역할을 시각화하고, (2) 다중 채널 정보를 통합해 높은 분류 성능을 유지하며, (3) 모델 전체가 완전히 미분 가능해 엔드‑투‑엔드 학습이 가능하도록 한다. 실험에서는 Madden‑Julian Oscillation(MJO) 위상 분류와 멀티스펙트럼 위성 이미지 기반 토지 이용 분류 두 가지 과제에 적용하였다. MJO 과제에서는 6개의 기후 변수(강수, 온도, 바람 등)를 각각 10개의 프로토타입으로 학습했으며, 각 프로토타입이 특정 위상과 강하게 연관된 패턴을 나타냈다. 토지 이용 과제에서는 8개의 스펙트럼 밴드에 대해 15개의 프로토타입을 학습했으며, 프로토타입 시각화 결과는 물체 경계, 식생 지수, 수역 등 구체적인 지리적 특징과 일치하였다. 정량적 평가는 기존 ResNet‑50 대비 1.2% 이하의 정확도 차이만 보였으며, 설명 측면에서는 프로토타입 기반 유사도 맵이 인간 전문가가 직관적으로 이해할 수 있는 형태로 제공되었다. 또한, 채널별 프로토타입 가중치를 통해 변수 중요도 분석이 가능해, 기후 모델링에서 변수 선택이나 정책 결정에 활용될 수 있다. 전체적으로 이 모델은 XAI와 지리공간 데이터 과학을 연결하는 새로운 패러다임을 제시한다.