컨포멀 HDC 불확실성 인식 하이퍼디멘셔널 컴퓨팅

초록

본 논문은 하이퍼디멘셔널 컴퓨팅(HDC)의 효율성을 유지하면서, 컨포멀 예측을 도입해 불확실성을 정량화하는 ConformalHDC 프레임워크를 제안한다. 집합형과 점형 두 가지 변형을 통해 유한표본, 분포에 무관한 커버리지 보장을 제공하고, 신경 디코딩 과제에서 높은 정확도와 함께 비정상 입력에 대한 자동 회피(abstain) 기능을 입증한다.

상세 분석

ConformalHDC는 기존 HDC가 갖는 고차원 이진 벡터 연산의 장점을 보존하면서, 통계적 신뢰 구간을 제공하는 컨포멀 예측 이론을 결합한다. 핵심 아이디어는 HDC 인코더가 생성한 클래스 프로토타입과 테스트 샘플 간의 유사도(예: 해밍 거리)를 ‘컨포멀리티 점수’로 정의하고, 이를 기반으로 p‑값을 계산해 집합형 예측을 만든다. 이때 비정규화된 거리값을 정규화하거나, 클래스 간 상호작용을 반영한 가중치를 부여함으로써, 기존 HDC가 단일 라벨을 강제하는 한계를 극복한다. 집합형 예측은 사전 정의된 신뢰 수준(예: 95%)에 따라 최소한 하나의 라벨을 포함하도록 보장되며, 입력이 학습 분포와 크게 벗어나면 ‘빈 집합’ 혹은 ‘거부’ 결정을 내릴 수 있다. 점형 변형은 동일한 컨포멀리티 점수를 활용해 가장 높은 신뢰도를 가진 라벨을 선택하되, 클래스 간 상호작용을 고려한 보정값을 더해 정확도를 향상시킨다. 실험에서는 여러 공개 데이터셋(MNIST, CIFAR‑10, UCI 등)과 해마 신경 스파이킹 데이터에 적용했으며, 특히 비정상 행동 상태(예: 휴식기)에서 높은 거부 비율을 보이며 오탐을 크게 감소시켰다. 계산 복잡도 측면에서는 기존 HDC와 동일한 O(D) 연산(여기서 D는 차원 수)만을 사용해 실시간 neuromorphic 하드웨어에 적합함을 입증한다. 또한, 컨포멀리티 점수 설계가 모델 성능에 미치는 영향을 정량적으로 분석해, 거리 기반 점수와 확률 기반 점수 중 전자가 더 일관된 커버리지를 제공함을 확인했다. 전체적으로 ConformalHDC는 HDC의 경량성, 확장성, 그리고 통계적 신뢰성을 동시에 만족시키는 최초의 프레임워크라 할 수 있다.