지리적 이동에 강인한 잠재 도메인 모델링

초록

본 논문은 위도·경도 메타데이터를 활용해 연속적인 잠재 도메인 표현을 학습하고, 이를 이미지 예측기에 조건화함으로써 지리적 분포 이동 상황에서 최악 그룹 성능을 크게 향상시키는 프레임워크를 제안한다. 네 개의 대규모 지리 태깅 이미지 데이터셋에서 기존 도메인 적응 및 위치 인식 모델을 능가하는 결과를 얻었다.

상세 분석

이 연구는 지리적 분포 이동이라는 특수한 서브포퓰레이션 쉬프트 문제에 초점을 맞춘다. 기존 ERM은 지역별 데이터 불균형으로 인해 특정 대륙·생물군계 등 도메인에서 성능 저하가 발생한다는 점을 지적하고, 전통적인 도메인 적응 방법이 이산형 도메인 라벨에만 의존해 지리 좌표의 연속성을 활용하지 못한다는 한계를 제시한다. 이를 해결하기 위해 저자는 (1) 위치 인코더(WRAP 혹은 사전학습된 GeoCLIP)를 사용해 위도·경도를 고차원 잠재 벡터로 변환하고, (2) 이 잠재 벡터에 대해 도메인 라벨을 예측하는 보조 손실 L_DP를 적용해 잠재 도메인을 학습한다. 도메인 예측기는 학습 단계에서만 존재하며, 추론 시에는 버려진다. 이렇게 얻어진 잠재 도메인 표현은 이미지 특징과 결합되는 여러 종류의 퓨전 모듈—단순 연결, FiLM, Geo Priors, 그리고 D³G 변형—에 조건화된다. 특히 FiLM과 D³G는 기존 도메인 조건부 예측기(DCP)와 도메인 관계 학습을 연속적인 위치 임베딩에 매핑함으로써, 도메인 간 유사성을 보다 정교하게 모델링한다. 실험에서는 WILDS‑FMoW, WILDS‑PovertyMap, iNat‑Biomes, YFCC‑Avg 네 개 데이터셋을 사용했으며, 각 데이터셋마다 대륙·생물군계·지역 등 서로 다른 도메인 구분을 적용하였다. 결과는 최악 그룹 정확도(또는 회귀의 경우 r값)에서 평균 2~4%p 상승을 보였고, 특히 FMoW와 PovertyMap에서는 기존 최고 기록을 각각 +4%p, +0.04 만큼 능가했다. 평균 성능도 크게 감소하지 않았으며, 경우에 따라 소폭 향상되었다. 이러한 성과는 (1) 연속적인 잠재 도메인 학습이 이산 라벨보다 풍부한 지리적 정보를 포착한다는 점, (2) 위치 인코더가 가벼워 추가 연산 비용이 적다는 점, (3) 다양한 퓨전 전략과 자유롭게 결합할 수 있어 적용 범위가 넓다는 점을 시사한다. 또한 도메인 라벨이 없는 상황에서도 α=0으로 설정하면 순수 위치‑이미지 결합 모델로 활용 가능하다는 유연성도 강조된다. 한계로는 도메인 라벨이 전혀 없는 경우 잠재 도메인 학습이 어려워질 수 있고, 위치 인코더의 사전학습 품질에 따라 성능 변동이 존재한다는 점을 들 수 있다. 향후 연구에서는 무감독 클러스터링 기반 잠재 도메인 추출이나, 시계열·다중모달 데이터에 대한 확장 가능성을 탐색할 여지가 있다.