심층학습 불확실성 정량화 기법 연구

심층 신경망(DNN)은 컴퓨터 비전, 자연어 처리 등 다양한 분야에서 탁월한 성능을 보이지만, 예측의 정확도와 무관하게 과신하는 경향이 있어 자율주행, 의료 진단 등 고위험 응용 분야에서 심각한 문제를 야기할 수 있습니다. 이러한 문제 해결을 위해 DNN 예측의 신뢰도를 평가하는 불확실성 정량화(UQ) 연구의 중요성이 커지고 있습니다. 기존 UQ 연구들은 주로 신경망 아키텍처나 베이지안 공식에 따라 방법론을 분류하여, 각 방법이 다루는 불확실성 원천을 간과함으로써 실제 적용 시 적절한 기법 선택에 어려움이 있었습니다. 본 연구는 이러한 한계를 극복하고자 불확실성 원천(예: 데이터 불확실성, 모델 불확실성)을 기준으로 DNN UQ 방법론의 새로운 분류 체계를 제시합니다. 제시된 분류 체계를 바탕으로 각 UQ 기법 범주의 장단점을 분석하고, 능동 학습, 분포 외(OOD) 강건성, 심층 강화 학습 등 다양한 머신러닝 문제에 UQ가 어떻게 적용될 수 있는지 구체적인 사례를 통해 설명합니다. 이를 통해 연구자들은 특정 문제 상황에 맞는 UQ 기법을 보다 효과적으로 선택하고 활용할 수 있습니다. 나아가 본 연구는 대규모 언어 모델(LLM)을 위한 UQ, AI 기반 과학 시뮬레이션, 구조화된 출력을 갖는 DNN 등 향후 UQ 연구의 주요 방향을 제시합니다. 이는 불확실성 정량화 분야의 발전에 기여하고, 고신뢰성 AI 시스템 개발을 위한 기반을 마련할 것으로 기대됩니다.