강건성·안정성 중심의 딥러닝 데이터 증강과 불확실성 정량화

Deep Learning Data Augmentation for Robustness and Uncertainty Quantification

연구 내용

블러 증강 기반 U-Net 안정성 검증과 GAN 계열 데이터 증강의 적대 공격 견고성을 평가하며 불확실성을 다루는 연구

실환경에서 발생하는 분포 변화와 악의적 교란에 대해 딥러닝 모델의 안정성과 성능 저하 원인을 분석합니다. 항공 이미지 deblurring에서는 U-Net의 deblurring 안정성을 확인하고, blur augmentation을 적용해 입력 변동에 대한 복원 일관성을 개선하는 알고리즘을 제안합니다. 또한 신용카드 사기 데이터는 클래스 불균형과 공격 시나리오가 동시 존재하므로, GAN 기반 데이터 증강을 AdaBoost와 결합하고 적대 공격 조건에서 정밀도-재현율 균형과 성능 변화를 평가합니다. 동시에 ‘불확실성 정량화’ 과제를 통해 모델 해석과 의사결정 신뢰도를 함께 다룹니다.

관련 프로젝트

1건

연구 흐름

초기에는 안정성 중심의 영상 복원 연구로 모델이 입력 교란에 대해 어떤 형태로 성능이 변하는지 확인하는 작업을 수행했습니다. 이후 blur augmentation을 도입해 U-Net의 deblurring 안정성을 개선하는 방향으로 연구를 확장했습니다. 병행하여 클래스 불균형 문제를 GAN 기반 데이터 증강으로 완화하고, AdaBoost 모델의 적대 공격 시나리오에서 성능 변화를 체계적으로 평가하는 연구를 진행했습니다. 현재는 불확실성 정량화 기반의 융합 모델과 앙상블 기법을 적용하여 설명가능성을 포함한 의사결정 신뢰도 개선으로 연구를 확장하고 있습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

적대 공격 견고성 평가
클래스 불균형 대응 데이터 증강
사기 탐지 성능 안정화
영상 복원 안정성 향상
자율운항용 실내 인지 보조
모호함 반영 의사결정
앙상블 기반 예측 신뢰도 산정
설명가능성 기반 모델 진단
보안 금융 이상탐지 고도화
환경 변화 대응형 컴퓨터 비전