논문명: Toward Regulation-Friendly Bearing Fault Diagnosis via Structural Embedding Preserving Machine Unlearning

저자: 이지용 (중앙대 학부 연구원), 윤채원 (중앙대 학부 연구원), 김호기 (중앙대)

게재지: Advanced Engineering Informatics (SCIE 상위 약 5%)

URL: Toward Regulation-Friendly Bearing Fault Diagnosis via Structural Embedding Preserving Machine Unlearning

연구실 논문 “Toward Regulation-Friendly Bearing Fault Diagnosis via Structural Embedding Preserving Machine Unlearning”이 SCIE 상위 약 5% 저널 Advanced Engineering Informatics에 게재되었습니다. 이지용 연구원이 제1저자, 윤채원 연구원이 공저자로, 두 사람 모두 학부 연구원 신분으로 연구를 수행했습니다.

연구 내용

베어링 고장 진단 모델은 산업 설비의 고장을 미리 잡아내 예지 보전에 쓰입니다. 그런데 실제 현장에서는 개인정보 규제, 계약 조건, 데이터 품질 문제로 학습에 쓴 데이터 일부를 지워야 하는 경우가 생깁니다. 이때 모델을 처음부터 다시 학습하지 않고 특정 데이터의 영향만 지우는 기술이 머신 언러닝(Machine Unlearning)입니다.

연구팀은 먼저 기존 언러닝 기법을 고장 진단 시스템에 체계적으로 적용해, 베어링 고장에서 흔한 시계열 진동 데이터에서는 성능이 크게 떨어진다는 점을 보였습니다. 이를 해결하기 위해 임베딩 공간을 직접 다루는 Soft-directed Embedding Unlearning(SEU)을 제안했습니다. SEU는 지울 샘플을 원래 클래스 군집에서 밀어내면서, 결정 경계 근처의 소프트 예제로 남길 샘플의 구조는 그대로 유지합니다.

매니폴드 유사도로 지울 샘플과 남길 샘플의 분리 정도를 측정한 결과, SEU는 이상적인 매니폴드 구조에 안정적으로 근접했습니다. 공개 데이터와 비공개 산업 데이터 모두에서 비교 기법보다 효과적인 언러닝 성능을 보였습니다.

관련 글