잊지 않는 AI: 지속 학습 기반 사람 재식별 기술의 혁신

류시벤 등 연구팀이 개발한 DAFC 모델은 기존의 지속 학습 기반 사람 재식별 기술의 한계를 극복하고, 뛰어난 성능 향상을 달성했습니다. 텍스트 기반 프롬프트 집계, 분포 기반 인식 및 통합, 지식 통합 메커니즘 등 세 가지 핵심 모듈을 통해 망각 문제를 해결하고, 실제 세계의 복잡한 상황에 더욱 효과적으로 적응할 수 있는 AI 시스템 개발에 기여할 것으로 기대됩니다.

끊임없이 변화하는 환경 속에서 인공지능 모델이 기존의 지식을 유지하면서 새로운 정보에 적응하는 것은 매우 중요한 과제입니다. 특히, 사람 재식별(Person Re-identification, ReID) 분야에서는 이러한 지속 학습(Lifelong Learning) 능력이 더욱 중요해지고 있습니다. 기존의 LReID 기술들은 기존 지식을 보존하면서 새로운 정보에 적응하는 데 어려움을 겪어왔습니다. 기억을 되살리는 rehearsal-based 방식은 지식 증류 과정에서 지속적인 망각 문제에 직면했고, 기억을 되살리지 않는 rehearsal-free 방식은 각 도메인의 분포를 충분히 학습하지 못해 시간이 지남에 따라 망각 현상이 심화되었습니다.

류시벤을 비롯한 연구팀은 이러한 문제를 해결하기 위해 새로운 모델, 분포 인식 망각 보상(Distribution-aware Forgetting Compensation, DAFC) 을 제안했습니다. DAFC는 기존의 지식이나 예시 없이 도메인 간 공유 표현 학습과 도메인 특정 분포 통합을 통해 망각 문제를 해결합니다.

DAFC의 핵심은 세 가지 모듈로 구성됩니다.

1. 텍스트 기반 프롬프트 집계(Text-driven Prompt Aggregation, TPA): 텍스트 특징을 활용하여 프롬프트 요소를 풍부하게 하고, 각 인스턴스에 대한 세밀한 표현 학습을 유도합니다. 이를 통해 개체 식별 정보의 차별화를 강화하고, 도메인 분포 인식의 기반을 마련합니다.
2. 분포 기반 인식 및 통합(Distribution-based Awareness and Integration, DAI): 각 도메인별 분포를 전문가 네트워크를 통해 포착하고, 고차원 공간에서 공유 영역으로 적응적으로 통합합니다. 이를 통해 도메인 간 공유 표현 학습을 강화하고, 치명적인 망각을 완화합니다.
3. 지식 통합 메커니즘(Knowledge Consolidation Mechanism, KCM): 인스턴스 수준의 차별화 및 도메인 간 일관성 정렬 전략을 통해 모델이 현재 도메인의 새로운 지식을 적응적으로 학습하고, 획득된 도메인 특정 분포 간의 지식 통합 학습을 촉진합니다.

실험 결과, DAFC는 기존 최첨단 방법보다 평균 mAP/R@1에서 최소 9.8%/6.6% 및 6.4%/6.2% 향상된 성능을 보였습니다. 이는 DAFC가 LReID 분야의 난제를 극복하고 새로운 가능성을 제시함을 의미합니다. DAFC의 등장은 지속적인 학습 능력을 갖춘 더욱 강력하고 견고한 AI 시스템 개발에 크게 기여할 것으로 기대됩니다. 이는 단순한 기술적 발전을 넘어, AI가 실제 세계의 복잡하고 변화무쌍한 상황에 더욱 효과적으로 적응할 수 있는 길을 열어주는 획기적인 성과라고 할 수 있습니다.