데이터 과학 분야는 날로 진화하고 있으며, 우리는 점점 더 다양한 데이터 소스를 접하게 됩니다.
그 중 지리적 좌표는 예측 분석의 강력한 도구로 자리 잡았습니다. 이번 포스팅에서는 지리적 좌표를 신경망 입력으로 활용하는 현대 기술을 살펴보고자 합니다.
초기 방식부터 최신 방법론까지 의미 있는 발전을 이뤘던 발전 과정을 이해하는 것이 핵심입니다.
좌표 인코딩: 초기 접근과 그 한계
첫 번째 접근은 위도와 경도 값을 직접 사용하여 네트워크의 입력으로 활용하는 것이었습니다. 하지만 이는 좌표로부터 의미 있는 정보를 학습하는 데에 있어 한계를 가졌습니다.
예를 들어, 지구의 표면에서 긴 거리와 가까운 거리를 올바르게 인식하지 못합니다. 마치 데이터셋의 중심에서 떨어짐에 따라 정보 전달의 왜곡을 불러일으키는 겁니다.
그러나 2015년에 발표된 연구에서는 간단한 격자 시스템을 활용한 분산된 인코딩 방식을 제안했습니다. 이는 각 위치를 지정된 그리드 내에서 하나의 벡터로 바꿔주는 방식으로, 비슷한 위치들이 동일하게 인코딩되지 않는 문제를 야기했습니다.
WRAP 방식의 등장
2019년, ‘Presence-Only Geographical Priors for Fine-Grained Image Classification‘ 논문에서 고안된 WRAP 방식은 진일보한 인코딩 기술을 보여주었습니다.
이는 위도 및 경도의 주기성을 싸인과 코사인 함수를 통해 표현함으로써, 지구상의 좌표가 가지는 고유한 곡률 특성을 효과적으로 포착하게 해주었습니다. 이러한 연속적이고 고유한 방법은 이미지 분류에서의 성능 향상을 도왔다고 합니다.
더블 푸리에 구면법
더블 푸리에 구면법(DFS)은 지구상의 위치를 사각형 도메인으로 변형, 인코딩하는 방식입니다. 이는 지구의 곡률을 고유하게 보존하면서 데이터를 보다 적절히 표현할 수 있습니다. DFS는 실제로 주어진 지리적 위치를 사실상 무한히 작은 깃털로써 나타낼 수 있는 강력한 능력을 제공합니다.
DFS 기반 인코더들은 사각형 도메인의 한계를 인식하고, 이는 특히 극지방에서 발생할 수 있는 왜곡을 감소시키기 위한 방안을 제공합니다. 최근에는 구면 조화함수와 같은 새로운 기준으로 극지방 주변의 인코딩 정확성을 높이고자 하는 노력이 이어지고 있습니다.
현대의 지리적 위치 인코더
오늘날, DFS 기반 인코더들은 곡률에 대한 귀납적 편향을 효과적으로 캡처할 수 있습니다. SatCLIP 같은 최첨단 모델은 이러한 인코딩 방식을 이용하여 전 지구적 이미지 데이터에서 예측 성능을 개선하고 있습니다.
이러한 방식은 대규모 웹 스케일 데이터셋이 지오태그된 현실에서 그 잠재력을 한층 더 발휘할 수 있게 해줍니다.
결론
지리적 위치 인코더는 예측 모델의 정밀도를 높이기 위한 핵심 요소로, 기계 학습에서의 데이터 활용도를 극대화할 수 있는 잠재력을 제공합니다.
이는 기술의 발전과 더불어 데이터를 보다 생산적으로 활용할 수 있는 길을 열어줍니다. 앉은 자리에서 지구 반대편에서 일어나는 일들을 더욱 정확히 이해하게 되는 것이, 우리의 미래가 아닐까요?
관련 문헌 및 기술에 대한 깊이 있는 이해 없이도 위와 같은 인코더들은 현대 모델의 정교함을 높이는 데 중요한 발판이 될 것입니다.
