여러 병원·기기에서 수집한 심전도(ECG) 데이터를 순차적으로 학습하는 인공지능 모델이 이전 원본 데이터를 다시 불러오지 않고도 정확도를 유지하는 연속학습 기법이 공개됐다. 연구진은 이 방법을 통해 새로운 데이터 출처가 추가될 때마다 기존 지식이 훼손되는 문제와, 출처 정보 없이도 적절한 전문가 모델을 자동으로 골라내야 하는 문제를 별도로 분리해 다뤘다고 밝혔다.
이번 연구는 사전학습된 백본 신경망을 고정한 채, 새로 들어오는 각 데이터 출처마다 독립된 분류기(전문가)를 하나씩 추가하는 방식을 택했다. 이렇게 하면 서로 다른 출처의 파라미터가 뒤섞여 간섭을 일으키는 문제를 막을 수 있다는 설명이다. 다만 실제 배치 환경에서는 어떤 데이터가 어느 병원에서 왔는지 메타데이터가 없는 경우가 많아, 적절한 전문가를 자동으로 골라내는 라우터가 별도로 필요하다.
연구진은 1024차원의 ECGFounder 특징을 기반으로 전문가 은행을 구성하고, 균형 소프트맥스 방식의 선형 전문가를 각 도메인마다 추가했다. 동시에 지금까지 관찰된 출처의 특징과 라벨만으로 가벼운 라우터를 학습시켰다. 단일 전문가로 강제 결정하는 대신, 검증 데이터로 보정한 마진 규칙을 활용해 가능성이 높은 두 전문가의 예측을 함께 융합하는 방식도 적용했다.
CPSC, PTB-XL, 조지아, 채프먼-샤오싱 등 4개 데이터셋을 활용한 실험에서, 출처 정보를 알고 전문가를 선택했을 때 매크로 F1 점수가 0.7915(오차범위 ±0.0036)를 기록해 별도로 훈련한 독립 헤드 방식의 0.7885(±0.0009)를 웃돌았다. 반면 출처 정보 없이 MLP 라우터만 사용했을 때는 0.7756(±0.0027), 상위 2개 전문가를 융합했을 때는 0.7782(±0.0022)로 나타났다. 연구진은 상위 2개 융합이 단순 MLP 라우팅보다 소폭 나은 수준(+0.0026)에 그쳐, 신뢰구간 안에 0이 포함될 정도로 개선폭이 크지 않았다고 설명했다.
세 가지 도메인 순서로 실험한 결과 상위 2개 융합과 이상적인 오라클 선택 사이의 격차는 0.0111에서 0.0133 사이로 일관되게 나타났다. 연구진은 이 격차가 출처를 스스로 추론하는 과정이 여전히 연속학습 성능의 주요 병목이라는 점을 보여준다고 설명했다. 원본 심전도 데이터를 재생하지는 않지만 라우터 업데이트를 위해 고정된 학습 특징은 계속 보관해야 해, 완전한 메모리 프리 방식은 아니라는 한계도 함께 제시됐다.
저작권자 © STORIUM 무단전재 및 재배포 금지
