논문명: Toward Regulation-Friendly Bearing Fault Diagnosis via Structural Embedding Preserving Machine Unlearning
저자: 이지용 (중앙대 학부생), 윤채원 (중앙대 학부생), 김호기 (중앙대)
게재지: Advanced Engineering Informatics (SCIE 상위 약 5%)
URL: https://www.sciencedirect.com/science/article/pii/S1474034626008918
중앙대학교 학부생들의 머신 언러닝 논문이 SCIE 상위 저널에 게재됐다.
중앙대 산업보안학과 이지용 학생이 제1저자, 윤채원 학생이 공저자로 참여한 논문(Toward Regulation-Friendly Bearing Fault Diagnosis via Structural Embedding Preserving Machine Unlearning)이 SCIE 상위 약 5% 저널인 ‘Advanced Engineering Informatics’에 게재됐다. 두 학생은 학부 연구원으로 연구를 수행했으며, 김호기 교수가 지도했다.
베어링 고장 진단 모델은 산업 설비의 고장을 미리 잡아내 예지 보전에 쓰인다. 그러나 실제 현장에서는 개인정보 규제, 계약 조건, 데이터 품질 문제 등으로 학습에 쓴 데이터 일부를 지워야 하는 경우가 생긴다. 모델을 처음부터 다시 학습하지 않고 특정 데이터의 영향만 지우는 기술이 머신 언러닝(Machine Unlearning)이다.
연구팀은 먼저 기존 언러닝 기법을 고장 진단 시스템에 체계적으로 적용해, 베어링 고장에서 흔한 시계열 진동 데이터에서는 성능이 크게 떨어진다는 점을 확인했다. 이를 해결하기 위해 임베딩 공간을 직접 다루는 새로운 기법 ‘Soft-directed Embedding Unlearning(SEU)’을 제안했다. SEU는 지울 샘플을 원래 클래스 군집에서 밀어내는 동시에, 결정 경계 근처의 소프트 예제로 남길 샘플의 구조는 그대로 유지한다.
매니폴드 유사도로 지울 샘플과 남길 샘플의 분리 정도를 측정한 결과, SEU는 이상적인 매니폴드 구조에 안정적으로 근접했다. 공개 데이터와 비공개 산업 데이터 모두에서 비교 기법보다 효과적인 언러닝 성능을 보였다.
이번 연구는 같은 연구진이 IEEE Transactions on Industrial Informatics에 발표한 Adversarial Retain-Free Unlearning에 이은 후속 성과다.