🧬 biology

Brain-Inspired Perspective on Configurations: Unsupervised Similarity and Early Cognition

이 논문은 범주 발견, 신규성 탐지, 적응적 안정성과 같은 초기 인지 과정을 효과적으로 모델링하기 위해 인력-척력 역학(attraction-repulsion dynamics)과 mheatmap이라는 새로운 평가 도구를 활용하는 뇌 영감 기반의 비지도 클러스터링 프레임워크인 "configurations"를 소개한다.

원저자: Juntang Wang, Yihan Wang, Hao Wu, Dongmian Zou, Shixin Xu

게시일 2026-07-28

📖 5 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Juntang Wang, Yihan Wang, Hao Wu, Dongmian Zou, Shixin Xu

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

이름 없는 거대한 미스터리

당신이 모든 물건이 뒤섞여 있는 거대하고 혼란스러운 장난감 가게에 들어간다고 상상해 보세요. 자동차, 공룡, 인형, 블록들이 커다란 더미 속에 한데 뒤엉켜 있습니다. 이제 아기가 그 안으로 걸어 들어옵니다. 아무도 아기에게 "자동차"가 무엇인지 알려주거나 보여주지 않았음에도, 아기는 본능적으로 물건들을 분류하기 시작합니다. 아기는 아마도 먼저 움직이는 것들을 하나로 묶고(상위 수준), 그다음에는 동물과 탈것을 분리하며(기초 수준), 마지막으로 어떤 자동차는 빨간색이고 어떤 것은 파란색이라는 점을 알아챌 것입니다. 가르침 없이도 숨겨진 패턴을 찾아내고 범주를 만들어내는 이 능력은 인간의 뇌가 작동하는 방식 중 가장 놀라운 부분 중 하나입니다. 이것을 "비지도 학습(unsupervised learning)"이라고 부르며, 우리가 새로운 세상을 즉각적으로 적응할 수 있게 해주는 비밀 소스입니다.

수십 년 동안 컴퓨터 과학자들은 기계에게 똑같은 일을 하도록 가르치기 위해 노력해 왔습니다. 하지만 현대의 대부분의 AI는 선생님이 정답이 적힌 플래시카드를 건네주지 않으면 학습을 거부하는 학생과 같습니다. 이러한 시스템은 고양이가 고양이라는 것을 배우기 위해 엄청난 양의 라벨링된 데이터가 필요합니다. 세상이 변하거나 새롭고 이상한 물체가 나타나면, 이러한 경직된 시스템들은 종종 혼란에 빠지거나 무너집니다. 인공지능 세계의 큰 질문은 이것입니다. "우리는 아기처럼 배우는 기계를 만들 수 있을까? 스스로 구조를 발견하고, 무엇인가 새롭고 이상하다는 것을 알아차리며, 아무도 시키지 않아도 스스로의 이해 방식을 즉석에서 재구성할 수 있는 기계를 만들 수 있을까?" 이것이 바로 한 연구팀이 해결하고자 했던 퍼즐입니다.

뇌에서 영감을 얻은 솔루션

이 논문에서 연구진은 컴퓨터가 사물을 그룹화하는 방식에 대한 새로운 사고방식인 "구성(configurations)"을 소개합니다. 그들은 아기의 뇌가 세상을 조직하는 방식에서 영감을 얻었으며, "끌림(attraction)"과 "밀어냄(repulsion)"이라는 단순하지만 강력한 아이디어를 사용합니다.

데이터 포인트(예: 동물의 사진)를 작은 자석이라고 생각해 보세요. 서로 유사한 항목, 예를 들어 두 장의 서로 다른 개 사진은 서로를 끌어당기는 강한 "끌림"을 가집니다. 반대로 서로 다른 항목, 예를 들어 개와 토스터기는 서로를 밀어내는 "밀어냄"을 가집�니다. 연구진은 하나의 "노브(knob)"인 해상도 파라미터(이를 $\gamma$ 라고 부릅시다)가 이 힘의 강도를 조절하는 시스템을 만들었습니다.

노브를 낮추면 (낮은 $\gamma$ ): 끌림은 강해지고 밀어냄은 약해집니다. 조금이라도 유사한 것들은 하나의 크고 아늑한 그룹으로 끌려 들어갑니다. 이는 아기가 "동물"을 하나의 커다란 범주로 보는 것과 같습니다.
노브를 높이면 (높은 $\gamma$ ): 밀어내는 힘이 강해집니다. 커다란 그룹들이 갈라지기 시작하고, 시스템은 더 작고 구체적인 그룹들로 분리됩니다. 이제 "동물" 그룹은 "고양이", "개", "새"로 나뉩니다.

이 시스템의 마법은 몇 개의 그룹을 만들라고 지시받을 필요가 없다는 점입니다. 시스템은 그룹이 안정적인 "스윗 스팟(sweet spot)"을 자연스럽게 찾아냅니다. 노브를 약간 흔들어도 그룹은 변하지 않고 그대로 유지됩니다. 이러한 안정적인 지점을 "플래토(plateaus, 고원)"라고 부르며, 이는 쉽게 흔들리지 않는 견고한 범주를 형성하는 뇌와 같은 능력을 나타냅니다.

"새로운 것" 찾기

이 시스템의 가장 멋진 점 중 하나는 새로움을 처리하는 방식입니다. 현실 세계에서 아기들은 새로운 것에 매료됩니다. 아기가 개를 보면 차분합니다. 만약 개가 모자를 쓰고 있다면, 아기는 호기기심을 느낄 수 있습니다. 만약 완전히 외계 생명체를 본다면, 아기는 매우 경계할 것입니다.

연구진은 자신들의 "구성" 시스템이 이와 똑같이 작동한다는 것을 발견했습니다. 그들은 그룹의 "에너지"를 측정합니다. 새로운, 낯선 항목이 특정 그룹에 강제로 포함될 때, 그것은 많은 긴장(tension)을 유발합니다. 즉, 끌림이나 밀어냄과 잘 맞지 않는 것입니다. 이는 에너지 수치의 급증을 일으킵니다. 시스템은 본질적으로 "이봐! 여기에 뭔가 잘못됐어!"라고 비명을 지르는 것입니다. 이를 통해 컴퓨터는 높은 정확도로 새로움(novelty)을 감지할 수 있습니다. 테스트에서 이 시스템은 영유아가 낯선 자극에 반응하는 방식을 모방하여, 새로운 항목을 87%의 성공률(AUC로 측정)로 찾아냈습니다.

"모자이크" 문제와 그 해결책

연구진이 넘어야 했던 큰 장애물이 있었습니다. 바로 컴퓨터가 당신이 예상하는 것과 다르게 분류했을 때, 어떻게 그 성적을 매길 것인가 하는 문제였습니다.

당신가 학생의 숙제를 채점한다고 상상해 보세요. 만약 학생이 "고양이"와 "개"를 함께 묶었는데 당신은 그것들을 분리하길 원했다면, 당신은 낮은 점수를 줄 것입니다. 하지만 만약 학생이 "고양이", "개", "토끼"를 하나의 큰 "털이 있는 동물" 그룹으로 묶었다면 어떨까요? 그것이 틀린 것일까요? 아니면 단지 조직화의 수준이 다른 것일까요? 전통적인 컴퓨터 채점 도구들은 오직 하나의 특정 정답만을 받아들이는 엄격한 선생님과 같습니다. 그들은 그룹의 수가 변하거나 그룹이 분리되고 병합될 때 혼란을 겪는데, 이것이 바로 이 뇌 영감 시스템에서 일어나는 현상입니다.

이를 해결하기 위해 팀은 mheatmap이라는 새로운 도구를 발명했습니다. 지루한 표 대신, 그들은 "모자이크 히트맵(mosaic heatmap)"을 만들었습니다. 각 조각의 크기가 컴퓨터의 그룹과 실제 세계의 그룹 사이의 겹침 정도를 알려주는 퍼즐을 상상해 보세요. 만약 컴퓨터가 하나의 큰 그룹을 두 개의 작은 그룹으로 나누었다면, 모자이크는 이를 오류로 표시하는 대신 분리된 조각으로서 명확하게 보여줍니다. 또한 그들은 "역 병합/분할(Reverse Merge/Split, RMS)" 알고리즘을 구축했는데, 이는 이름이 다르더라도 컴퓨터의 논리가 실제로 타당한지 확인하기 위해 레이블을 재배열하는 스마트한 편집자와 같습니다. 이는 그들이 단순히 레이블을 보는 것이 아니라, 학습의 구조를 심사하도록 보장합니다.

연구 결과

연구진은 "구성" 시스템을 일상적인 사물의 사진(CIFAR-10, ImageNet 등)과 영유아가 세상을 보는 방식을 모방하도록 설계된 데이터셋을 포함한 여러 데이터셋에 대해 테스트했습니다.

더 나은 분류: 이 시스템은 표준 컴퓨터 분류 방법(k-means 및 DBSCAN 등)보다 훨씬 뛰어난 성능을 보였습니다. Salinas 데이터셋에서 이 시스템은 0.92(ARI)와 0.94(NMI)를 기록하며, 차기 최고 방법론을 큰 격차로 앞질렀습니다.
아기 같은 행동: "영유아 자극(infant stimuli)" 데이터로 테스트했을 때, 시스템은 인간 영유아와 정확히 일치하는 패턴을 보였습니다. 부분적인 단서(예: 눈만 보이거나 형태만 보이는 경우)만 주어졌을 때는 분류에 어려움을 겪었지만, 전체 그림이 주어졌을 때는 탁월한 능력을 보였습니다. 이는 시스템이 단순히 암기하는 것이 아니라, 아기처럼 전체적인 그림을 보는 법을 배우고 있음을 시사합니다.
안정성: 데이터의 범주가 변하거나 진화하기 시작할 때, "구성" 시스템은 다른 방법들보다 35% 더 안정적이었습니다. 시스템은 당황하지 않고 그룹을 부드럽게 조정했습니다.

이것이 왜 중요한가

이 논문은 AI를 더 똑똑하게 만들기 위해 복잡하고 경직된 규칙을 만들 필요가 없다는 것을 시사합니다. 대신, 끌림과 밀어냄이라는 단순한 프레임워크를 사용함으로써, 우리는 자연스럽게 계층 구조를 발견하고, 새로운 것을 포착하며, 변화에 적응하는 시스템을 만들 수 있습니다. 이것은 숫자를 계산하는 것을 넘어, 살아있는 생각하는 뇌처럼 세상의 구조를 "이해"하는 AI를 향한 한 걸음입니다. 비록 이러한 시스템을 확장하고 실제 신경 생물학과 연결하기 위해 여전히 할 일이 남아 있지만, 이 연구는 우리가 하는 방식대로, 즉 교사 없이 그저 주변 세상을 탐험하고 조직하며 배우는 기계를 만드는 유망한 길을 제시합니다.

기술 요약: 뇌 영감을 받은 구성(Configurations) 관점

1. 문제 정의

현재의 머신러닝(ML) 시스템은 인간 영아가 보여주는 비지도 인지 능력, 즉 레이블이 없는 데이터로부터 계층적 구조를 발견하고, 새로움을 감지하며, 진화하는 맥락에 적응하는 능력을 재현하는 데 어려움을 겪고 있다. 지도 학습 모델은 방대한 레이블 데이터에 의존하고, 자기 지도 학습 방식은 설계된 대리 작업(proxy tasks)에 의존하지만, 이들은 인간과 유사한 계층적 범주나 자발적인 새로움 반응을 생성하는 데 종종 실패한다. 또한, 전통적인 비지도 클러스터링 방법(예: k-means, DBSCAN, 계층적 클러스터링)은 일반적으로 클러스터의 수를 미리 지정해야 하거나, 여러 개의 방법론별 하이퍼파라미터에 의존하며, 데이터셋 전체에 걸쳐 입도(granularity)를 제어할 수 있는 단일 글로벌 파라미터가 부족하다. 결정적으로, 기존의 정적 지표(예: ARI, NMI)는 병합-분할 전환(merge-split transitions)이나 다중 해상도 비교와 같은 동적 클러스터링 동작을 평가하기에 부적절하다. 이는 불균등한 클러스터 수나 임의의 레이블 순열을 공정하게 처리할 수 없기 때문이다.

2. 방법론

구성(Configurations) 프레임워크
본 논문은 인력-척력 역학(attraction-repulsion dynamics)에 기반한 유한 해상도 클러스터링 프레임워크인 "구성(configurations)"을 활용한다.

수학적 정식화: 이 프레임워크는 $n$ 개 항목의 분할 $\omega$ 를 정의한다. 이는 해밀토니안 에너지 함수 $H(\omega)$ 를 사용한다:
$H(\omega) = -\sum_{k} \sum_{i<j} w^+_{ij} \mathbb{1}_{\omega_i=\omega_j=k} + \gamma \sum_{k} \sum_{i<j} w^-_{ij} \mathbb{1}_{\omega_i=k}$
여기서 $w^+_{ij}$ 와 $w^-_{ij}$ 는 각각 쌍별 인력 및 척력 가중치를 나타낸다. 파라미터 $\gamma \in [0, \infty)$ 는 입도를 제어한다: 낮은 $\gamma$ 는 거친 그룹화(인력이 지배적)를 선호하고, 높은 $\gamma$ 는 미세한 분할(척력이 지배적)을 선호한다.
유한 해상도 및 안정성: 단일 최적 $\gamma$ 를 찾는 대신, 이 프레임워크는 Parallel-DT 알고리즘을 사용하여 구성(분할)이 안정적으로 유지되는 구간인 "플래토(plateaus)"를 식별한다. 이를 통해 가장 거친 형태(모든 항목이 하나의 클러스터)에서 가장 미세한 형태(각 항목이 개별 클서터)에 이르는 계층을 나타내는 유한한 구성 집합 $\Omega = \{\omega_i\}$ 를 도출한다.
구현: 기저 최적화는 k-최근접 이웃 그래프 상에서 수정된 Leiden 방법을 사용하여 구현되며, 이를 통해 선형 시간 복잡도 $O(n)$ 을 보장한다.

평가 프레임워크: mheatmap
다중 해상도 및 동적 설정에서의 한계를 해결하기 위해 저자들은 mheatmap을 도입하였다. 이는 다음을 포함한다:

모자이크 히트맵 시각화(Mosaic Heatmap Visualization): 셀의 너비와 높이가 각각 실제 카테カテゴリ(ground-truth categories)와 예측된 클러스터의 비율에 따라 스케일링되는 비례적 시각화 방식이다. 이는 표준 혼동 행렬(confusion matrix)이 놓치는 병합-분할 이벤트 중 발생하는 해석 가능한 대각선 구조를 드러낸다.
RMS (Reverse Merge/Split) 정렬 알고리즘: 모자이크 히트맵의 시각적 "대각선"을 최적화함으로써 서로 다른 입도를 가진 분할들을 정렬하도록 설계된 알고리즘이다. 이는 병합-분할 역학을 단순한 임의의 레이블 불일치로 취급하는 대신, 의미론적 일관성을 고려한다. 실험에서 보고된 모든 지표는 RMS 정렬 후에 계산된다.

3. 주요 기여

개념적 연결: 본 논문은 초기 인지 발달(영아의 범주화)과 구성의 수학적 구조 사이의 연결 고리를 확립하여, 구성을 초기 인지의 원칙적인 계산 모델로 프레임화한다.
mheatmap 도구: 다중 해상도 및 동적 클러스터링 동작, 특히 "병합-분찰(merge-split)" 문제를 공정하게 평가하기 위한 새로운 평가 스위트(비례적 시각화 및 RMS 정렬)를 도입하였다.
경험적 검증: 구성이 표준 베이스라인이 포착하지 못하는 뇌 영감 행동(계층적 선택성, 새로움 민감도, 유연한 적응)을 보인다는 것을 경험적 연구를 통해 입증하였다.

4. 실험 결과

저자들은 사전 훈련된 ViT-B/16 임베딩을 사용하여 합성 및 실제 데이터셋(CIFAR-10 Subset, 영아 자극물, ImageNet Hierarchical, Salinas)에 대해 구성을 평가하였다.

클러스터링 성능: 구성은 모든 데이터셋에서 표준 베이스라인(k-means, GMM, Spectral, Agglomerative, DBSCAN 등)보다 우수한 성능을 보였다.
- Salinas: ARI = 0.92, NMI = 0.94.
- 영아 자극물(Infant Stimuli): ARI = 0.55, NMI = 0.58.
- ImageNet: ARI = 0.62, NMI = 0.68.
- 성능 향상 폭은 베이스라인 대비 7~49 퍼센트 포인트에 달했다.
영아 행동 검증: 내부 단서(예: 눈/코) vs 외부 단서(예: 형태) vs 결합된 단서에 대해 테스트했을 때, 구성은 영아의 행동을 모사했다: 고립된 단서에서는 낮은 성능(ARI $\approx$ 0.15–0.19)을 보였으나, 결합된 단서에서는 강한 성능(ARI = 0.65)을 보여 3~4개월 된 영아의 패턴과 일치했다.
새로움 탐지(Novelty Detection): 해밀토니안 에너지 점수를 사용하여, 시스템은 익숙한 자극과 새로운 자극을 구분하는 데 87% AUC를 달성하였으며, 이는 영아의 습관화(habituation) 반응과 평행을 이룬다.
동적 적응: 카테カテゴリ 진화(병합/분할 이벤트 시뮬레이션) 동안, 구성은 k-means 및 spectral 클러스터링에 비해 35% 더 높은 안정성( $1/\text{ARI}$ 로 측정)을 보였다.
RMS 절제 연구(Ablation): RMS 정렬은 특히 복잡한 병합-분할 역학을 가진 데이터셋(예: Salinas ARI가 0.82에서 0.92로 개선됨)에서 평가의 공정성을 크게 향상시켰다.

5. 의의 및 주장

본 논문은 구성이 초기 인지 범주화의 원칙적인 계산 모델 역할을 한다고 주장한다. 단일 유한 해상도 파라미터와 인력-척력 역학을 통해 비지도 조직화, 계층적 선택성, 새로움 민감도를 통합함으로써, 이 프레임워크는 인지 과학과 머신러닝 사이의 가교 역할을 한다.

저자들은 이 연구를 **뇌 영감 AI(brain-inspired AI)**를 향한 단계로 위치시키며, 레이블 없는 구조 발견과 자발적인 새로움 탐지가 가능한 시스템이 견고한 오픈 월드 일반화를 위해 필수적이라고 제언한다. mheatmap 프레임워크는 표준적인 정적 지표로는 보이지 않는 이러한 동적이고 뇌 영감을 받은 행동들을 엄격하게 평가하기 위한 필수적인 도구로 제시된다.

본 논문은 신경 수준의 생물학적 실재성(예: Hebbian 가소성) 부족, 매우 큰 데이터셋에 대한 제한된 확장성, 그리고 이러한 능력의 시간적 출현을 포착하기 위한 추가적인 발달 모델링의 필요성 등 한계점을 인정한다. 향-후 연구로는 신경적 구현 및 온라인 학습 통합에 대한 탐구가 제안되었다.