도메인 규칙을 활용한 두 단계 논리 텐서 네트워크 기반 예측 프로세스 모니터링

초록

본 논문은 로직 텐서 네트워크(LTN)를 이용해 도메인 지식을 미분 가능한 논리 제약으로 통합하고, 가중 축(axion) 손실을 통한 사전 학습과 규칙 가지치기(rule pruning) 단계로 구성된 두 단계 최적화 전략을 제안한다. 이를 통해 순수 데이터 기반 모델이 놓치기 쉬운 순서·시간·페이로드 제약을 반영하면서도 예측 정확도를 유지·향상시킨다. 네 개의 실제 이벤트 로그 실험에서 규칙 주입이 성능을 크게 끌어올렸으며, 특히 규정 위반 사례가 적은 상황에서 뛰어난 효과를 보였다.

상세 분석

이 연구는 예측 프로세스 모니터링에 있어 데이터‑드리븐 접근법이 도메인 규칙을 무시함으로써 발생하는 정확도 저하와 규제 위반 위험을 근본적으로 해결하고자 한다. 핵심 기술은 Logic Tensor Networks(LTN)를 활용해 Linear Temporal Logic(LTL)과 1차 논리식으로 표현된 제어‑플로우, 시간, 페이로드 제약을 연속적인 신경망 파라미터에 매핑하는 것이다. LTN은 논리식 만족도를 확률적 진리값으로 변환해 손실 함수에 포함시키지만, 기존 연구에서는 논리 만족을 최우선으로 하다 보니 데이터 적합도가 크게 감소하는 현상이 보고되었다. 이를 방지하기 위해 저자는 두 단계 최적화를 설계하였다. 첫 단계에서는 가중 축(axion) 손실에 작은 가중치를 부여해 데이터 손실을 우선 학습하고, 동시에 논리 손실을 약하게 억제한다. 두 번째 단계에서는 학습 과정에서 각 축의 만족도 변화를 추적해, 만족도가 지속적으로 향상되지 않거나 예측에 기여하지 않는 축을 자동으로 제거하는 규칙 가지치기 메커니즘을 적용한다. 가지치기 기준은 축 만족도 증가율과 예측 손실 감소량을 복합적으로 고려한 ‘기여도 점수’이며, 이를 통해 남는 축은 데이터와 논리 모두에 일관된 유용성을 보이는 경우에만 유지된다.

실험에서는 의료, 금융, 제조, 공공 행정 등 네 개의 실제 로그를 사용했으며, 각 로그마다 도메인 전문가가 정의한 10~30개의 규칙을 LTL·FOL 형태로 제공하였다. 베이스라인으로는 LSTM, Transformer, 그리고 순수 LTN(규칙 전부 적용) 모델을 비교하였다. 결과는 두 단계 최적화를 적용한 모델이 평균 4.2%~7.8%의 정확도 향상을 달성했으며, 특히 규정 위반 사례가 거의 없는 ‘컴플라이언스 제한’ 시나리오에서 12% 이상 개선된 점이 주목할 만하다. 또한, 규칙 가지치기 전후의 축 만족도 변화를 시각화한 결과, 불필요하거나 충돌하는 규칙이 효과적으로 제거되어 학습 안정성이 크게 향상된 것을 확인할 수 있었다.

이 논문은 (1) 복잡한 도메인 제약을 연속적인 신경망 학습에 자연스럽게 통합하는 방법, (2) 데이터와 규칙 간 갈등을 정량화하고 자동으로 해결하는 두 단계 최적화 프레임워크, (3) 실제 산업 현장에서 규칙 기반 AI가 실용적으로 적용될 수 있음을 입증한 점에서 의미가 크다. 다만, 규칙 정의 비용과 LTN의 계산 복잡도, 그리고 규칙 가지치기 기준의 민감도에 대한 추가 연구가 필요하다.