💰 quantitative finance

A multi-view contrastive learning framework for spatial embeddings in risk modelling

본 논문은 보험 및 부동산 분야의 리스크 모델의 예측 정확도와 해석력을 향상시키기 위해 위성 이미지와 OpenStreetMap 데이터로부터 저차원 공간 임베딩을 생성하는 새로운 다중 뷰 대조 학습 프레임워크를 제안한다.

원저자: Freek Holvoet, Christopher Blier-Wong, Katrien Antonio

게시일 2026-08-19

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Freek Holvoet, Christopher Blier-Wong, Katrien Antonio

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

지도 위의 점 하나만을 보고 그 장소의 성격을 이해하려고 노력하는 모습을 상상해 보십시오. 수십 년 동안 보험사와 부동산 분석가들은 위치를 단순히 위도와 경도라는 두 숫자의 쌍으로 취급하며 정확히 이와 같은 작업을 수행해 왔습니다. 그들은 이 좌표가 위험이나 부동산 가치에 대해 알아야 할 모든 것을 말해줄 것이라고 기대했습니다. 하지만 지도 위의 점은 침묵합니다. 그 점이 북적이는 도심에 있는지, 조용한 시골 골짜기에 있는지, 아니면 홍수에 취약한 강둑에 있는지 알지 못합니다. 점은 근처의 상점, 건물의 유형, 또는 지형의 질감을 볼 수 없습니다. 분석가들이 오직 이러한 가공되지 않은 숫자에만 의존할 때, 그들의 모델은 사람들이 어떻게 살아가고 자연이 어떻게 행동하는지를 정의하는 미묘하고 실제적인 패턴들을 놓치기 일쑤입니다. 그들은 마치 구불구불한 강을 일련의 직선적인 직사각형 계단으로 묘사하려는 것처럼, 땅 위를 부드럽게 흐르는 위험들을 인위적이고 상자 모양의 선으로 그려내곤 합니다.

이를 해결하기 위해 연구자들은 "임베딩(embedding)"이라 불리는 기술을 사용하기 시작했습니다. 임베딩을 한 장소의 디지털 지문이라고 생각해 보십시오. 단순히 숫자의 쌍이 아니라, 장소의 본질을 포착하는 짧은 값들의 목록으로 위치를 표현하는 것입니다. 즉, 그곳이 어떻게 생겼는지, 무엇이 주변에 있는지, 그리고 더 넓은 세상과 어떻게 어우러지는지를 나타냅니다. 이 논문은 컴퓨터가 여러 각도에서 동시에 한 장소를 바라보도록 가르침으로써 이러한 지문을 만드는 새로운 방법을 소개합니다. 연구진은 지형의 물리적 형태를 보여주는 위성 이미지와 학교, 상점, 공원과 같은 인간 활동의 디지털 지도를 결합했습니다. 컴퓨터가 이러한 시각적 및 맥락적 단서들을 정확한 지리적 좌표와 일치시키도록 훈련시킴으로써, 그들은 위도와 경도만을 사용하여 어떤 위치에 대해서도 풍부하고 상세한 설명을 생성할 수 있는 시스템을 구축했습니다.

프리크 홀보트(Freek Holvoet)와 동료들이 이끄는 연구팀은 유럽 전역의 약 96,000개 위치에 대한 방대한 데이터셋을 구축했습니다. 각 지점에 대해 그들은 위성 사진 한 장과 글로벌 지도 프로젝트로부터 얻은 주변 편의시설의 상세한 개수를 수집했습니다. 그런 다음 컴퓨터 모델이 시각적 및 맥락적 데이터와 해당 지점의 특정 좌표 사이의 연결 고리를 학습하도록 훈련시켰습니다. 모델은 "이 건물과 녹지 공간의 패턴은 이 특정 좌표에 속한다"라고 말하는 법을 배웠습니다. 일단 모델이 이 관계를 학습하고 나면, 모델은 이미지와 지도를 완전히 잊어도 됩니다. 그 시점부터는 새로운 위치의 좌표 쌍만 가지고도, 그 장소의 주변 환경에 대해 학습된 모든 정보를 담고 있는 복잡한 디지털 지문을 즉각적으로 생성할 수 있게 됩니다.

연구진은 이 시스템을 두 가지 매우 다른 실제 시나리오에서 테스트했습니다. 첫째, 프랑스의 주택 가격을 조사했습니다. 그들은 오직 원시 좌표만을 사용한 표준 모델과 새로운 디지털 지문을 사용한 모델을 비교했습니다. 결과는 명확했습니다. 지문을 사용한 모델이 가격을 훨씬 더 정확하게 예측했습니다. 더 중요한 점은, 새로운 모델이 기존의 모델이 할 수 없었던 방식으로 풍경을 "볼 수 있었다"는 것입니다. 연구진이 예측치를 시각화했을 때, 기존 모델은 보이지 않는 선에서 가격이 급격히 변하는 투박하고 부자연스러운 지도를 만들어냈습니다. 반면 새로운 모델은 파리 주변과 알프스 지역의 고가 지역을 정확히 식별하는 동시에 농촌 지역의 낮은 가치를 인식하며, 부드럽고 현실적인 지도를 만들어냈습니다. 심지어 그들은 시스템이 단 한 건의 주택 거래도 본 적이 없는 지역에 대해서도 합리적인 예측을 할 수 있음을 보여주었는데, 이는 시스템이 해당 지역의 지리적 특성을 이해했기 때문입니다.

두 번째 테스트에서 팀은 이 방법을 벨기에의 홍수 보험에 적용했습니다. 그들은 디지털 지문이 위험 지역을 분류하는 데 도움이 되는지 확인하기 위해 수천 건의 홍수 청구 사례를 분석했습니다. 다시 한번, 디지털 지문을 사용한 모델이 원시 좌표를 사용한 모델보다 우수한 성능을 보였습니다. 이 모델들은 위험 지역과 저위험 지역을 더 잘 구분해 냈으며, 위험을 인위적인 상자에 가두는 대신 강 골짜기를 따라 형성된 위험 지대의 실제 형태를 포착해 냈습니다. 또한 연구는 이 디지털 지문이 1밀리초 미만으로 생성될 수 있음을 보여주었으며, 이는 일상적인 보험 요율 산정에 사용할 수 있을 만큼 빠르다는 것을 의미합니다.

이 연구는 위험 분석의 미래가 컴퓨터에게 장소에 대한 더 풍부한 감각을 부여하는 데 있다는 것을 시사합니다. 컴퓨터에게 위치란 단순히 공간상의 한 점이 아니라, 특정한 시각적 및 사회적 맥락을 가진 '장소'임을 가르침으로써, 분석가들은 더 정확하고 더 공정한 모델을 구축할 수 있습니다. 연구진은 이러한 도구들이 표준 컴퓨터에서 훈련될 수 있고 다양한 지역에 적응할 수 있음을 입증했으며, 매 계산마다 민감하거나 독점적인 데이터에 접근할 필요 없이 위험을 관리하고 보험 가격을 책정하는 실용적인 방법을 제시했습니다. 그 결과, 세상이 보는 방식처럼 세상을 이해하는 시스템, 즉 당신이 어디에 있는지도 중요하지만 당신 주변에 무엇이 있는지가 그만큼 중요하다는 것을 이해하는 시스템을 만들어낸 것입니다.

기술 요약: 리스크 모델링을 위한 공간 임베딩을 위한 다중 뷰 대조 학습 프레임워크

문제 정의
공간 정보를 통합하는 것은 보험 분야에서 특히 기후, 날씨, 인구 통계적 요인과 관련하여 언더라이팅의 정밀도와 리스크 관리를 개선하는 데 매우 중요합니다. 그러나 공간 데이터는 종종 비정형적이고 고차원적이며, 예측 모델에 통합하기 어렵습니다. 전통적인 방식은 위치를 단순한 좌표 쌍(위도/경도)이나 범주형 변수(예: 우편번호)로 표현합니다. 이러한 방법들은 실제 지리적 구조를 포착하지 못합니다. 그래디언트 부스팅(gradient boosting)과 같은 머신러닝 모델은 좌표에 대해 선형 분할을 적용하여, 지리학적 실체와 일치하지 않는 인위적인 직사각형 패턴을 생성합니다. 엔티티 임베딩(범주형 변수를 벡터로 매핑하는 방식)이 계리 과학에서 사용되어 왔으나, 이는 공간 단위를 독립적인 범주로 취급하여 공간 전반의 부드러운 변화를 포착하지 못한다는 점에서 공간 리스크 모델링에는 적절하지 않은 경우가 많습니다. 기존의 공간 임베딩 방법은 단일 데이터 모달리티에 의존하거나 추론 시점에 외부 컨텍스트 데이터(예: 인구 조사, 위성 이미지)에 접근해야 하는 경우가 많아, 좌표만 사용 가능한 상황에서의 활용도가 제한적입니다.

방법론
저자들은 여러 공간 데이터 소스로부터 정보를 결합하는 새로운 다중 뷰 대조 학습(multi-view contrastive learning) 프레임워크를 제 제안합니다. 이 프레임워크는 위도-경도 좌표만을 사용하여 모든 위치에 대한 임베딩을 생성할 수 있도록 설계되었으며, 저차원 임베딩을 통해 공간 구조와 컨텍스트 유사성을 모두 포착하도록 제작되었습니다.

데이터셋 구축:
- 유럽 전역의 95,857개 고유 위치를 구성하였으며, 인구 밀도에 비례하여 샘플링하였습니다.
- 각 위치는 두 가지 공간 뷰로 풍부하게 구성됩니다:
  - 구글 위성 이미지 (GS): 해당 좌표를 중심으로 하는 256×256 RGB 이미지.
  - OpenStreetMap (OSM) 특징: 세 개의 동심원 형태의 H3 육각형 셀(총 37개 육각형)에 걸친 6가지 의미론적 카테고리(상점, 관광, 음식 및 음료, 의료, 교육, 공공 안전)의 집계된 수치.
모델 아키텍처:
모델은 대조 학습을 통해 정렬되는 두 개의 주요 브랜치로 구성됩니다:
- 공간 뷰 인코더 (다중 뷰 융합):
  - GS 인코더: SSL4EO-S12로 사전 학습된 ResNet18 아키텍처가 위성 이미지를 처리합니다.
  - OSM 인코더: 커스텀 합성곱 신경망(CNN)이 육각형 OSM 데이터를 처리합니다. 이는 육각형 그리드를 모서리가 마스킹된 정사각형 행렬로 변환하는 매핑 전략(Moussaid, 2023)을 사용하여, 표준 합성곱 필터를 사용하면서도 이웃 관계를 보존합니다.
  - 융합: GS 및 OSM 인코더의 출력은 결합되어 결합된 공간 뷰 임베딩( $z_{MV}$ )을 생성하기 위해 피드포워드 신경망을 통과합니다.
- 위치 인코더:
  - 위도-경도 좌표( $\lambda, \phi$ )를 결합된 뷰 임베딩과 동일한 차원의 벡터( $z_{LE}$ )로 변환합니다.
  - 공간 위치를 분해하기 위해 구면 조화 함수(spherical harmonics, Rußwurm et al., 2024) 기반의 포지셔널 인코더를 사용하며, 구체 위에서의 부드러운 표현을 보장하기 위해 Siren 네트워크(사인 함수 활성화 피드포워드 네트워크)를 사용합니다.
- 학습 목표:
  - 모델은 대조 손실 함수(CLIP과 유사)를 사용하여 학습됩니다. 목표는 동일한 위치에 대해 좌표 기반 임베딩( $z_{LE}$ )과 데이터 기반 임베딩( $z_{MV}$ ) 사이의 유사성을 최대화하고, 서로 다른 위치 간의 유사성은 최소화하는 것입니다.
  - 이 과정은 좌표 인코더가 좌표 데이터 내에 포함된 컨텍스트 정보를 내재화하도록 강제합니다.
추론:
학습이 완료되면, 위치 인코더는 원래의 위성 이미지나 OSM 데이터에 접근할 필요 없이 오직 좌표만을 사용하여 새로운 위치에 대한 공간 임베딩을 생성할 수 있습니다.

주요 기여

새로운 아키텍처: 본 논문은 여러 공간 뷰(이미지 및 테이블 컨텍스트)를 대조 학습을 통해 좌표 인코더와 융합하는 최초의 계리 문헌 아키텍처를 제안합니다.
지역적 초점: 글로벌 파운데이션 모델(예: AlphaEarth, SatCLIP)이 고차원의 글로벌 표현을 생성하는 것과 달리, 이 프레임워크는 세밀한 지역적 응용을 위해 설계되었습니다. 이는 소비자급 하드웨어(단일 GPU)에서도 재학습이 가능할 만큼 계산 효율적이며, 특정 지역이나 데이터 소스에 맞게 조정될 수 있습니다.
좌표 전용 추론: 이 프레임워크는 좌표만을 포함하는 데이터셋(보험 포트폴리오의 흔한 제약 사항)에 대해서도 풍부한 공간적 특징을 생성하는 문제를 해결합니다.
오픈 리소스: 저자들은 GitHub에 코드를 제공하며, 유럽 데이터로 학습된 다양한 차원(8, 16, 32, 64)의 사전 학습된 임베딩 모델 5개를 공개합니다.

실험 결과
프레임워크는 두 가지 케이스 스터디를 통해 검증되었습니다:

프랑스 부동산 가격 예측 (회귀):
- 설정: 일반 선형 모델(GLM), 일반 가법 모델(GAM), 그래디언트 부스팅 머신(GBM)을 사용하여 부동산 가격을 예측합니다.
- 성능: 원시 좌표를 공간 임베딩으로 교체했을 때, 세 가지 모델 유형 모두에서 일관되게 표본 외(out-of-sample) 예측 정확도가 향상되었습니다(MSE 감소). 개선 효과는 GLM(약 21% 손실 감소)과 GAM(25%)에서 가장 두드러졌는데, 이는 이 모델들이 원시 좌표만으로는 복잡한 공간 패턴을 포착하기 어렵기 때문입니다.
- 해석 가능성: 변수 중요도 분석 결과, 공간 임베딩이 가장 중요한 특징이 되었습니다. 부분 의존도 플롯(Partial dependence plots)은 임베딩이 원시 좌표나 표준 평활화(smoothing)가 포착할 수 없는 미묘한 패턴(예: 특정 스키 리조트, 도시-농촌 경사도)을 포착했음을 보여주었습니다.
- 일반화: 모델은 훈련 데이터에 없던 지역(Bas-Rhin, Haut-Rhin, Moselle)에 대해서도 공간적 특성에 기반하여 현실적인 리스크 패턴을 포착함으로써 성공적으로 공간 효과를 일반화했습니다.
벨기에 홍수 청구 건수 (보험):
- 설정: 포아송 GLM, GAM, GBM을 사용하여 우편번호별 홍수 청구 건수를 모델링합니다.
- 성능: 공간 임베딩은 좌표 기반 입력값과 비교하여 모든 모델 클래스에서 표본 외 포아송 편차(Poisson deviance)를 감소시켰습니다.
- 리스크 분류: 로렌츠 곡선(Lorenz curve) 분석은 임베딩을 사용하는 모델이 더 나은 리스크 분류(높은 Gini 지수)를 달एको 있음을 입증했습니다. 특히 고위험 지역(예: Ververs, Liège)과 저위험 지역을 구분하는 데 탁월했습니다. 임베딩을 통해 GLM은 이변량 좌표 평활화를 사용하는 GAM보다 홍수 패턴을 더 정확하게 복구할 수 있었습니다.

의의 및 주장
본 논문은 이 프레임워크가 지리적 정보를 계리 가격 모델에 통합하는 유연하고 확장 가능하며 계산 효율적인 방법을 제공한다고 주장합니다. 엔티티 임베딩과 단순 공간 평활화를 넘어, 제안된 공간 임베딩은 부드럽고, 전이 가능하며, 설명 가능한 리스크 표현을 제공합니다.

저자들은 이 임베딩이 모델로 하여금 다음을 수행할 수 있게 한다고 강조합니다:

글로벌 모델이 간과할 수 있는 미세한 국지적 구조(지형, 토지 이용)를 포착합니다.
결과 관측값이 없는 영토에 대해서도 공간적 특성과 연관 지음으로써 예측을 일반화합니다.
환경적 변화(예: 역사적 위성 아카이브 사용)에 맞춰 주기적으로 재학습될 수 있습니다.

이 연구는 공간 파운데이션 모델이 대규모 지형 공간 AI와 실무적인 세밀한 보험 리스크 관리 사이의 간극을 메우는, 계리 과학의 차세대 단계로서 유효한 도구임을 보여줍니다. 저자들은 임베딩이 강력하지만, 이를 요율 결정 요소(rating factor)로 사용할 때는 전통적인 지역 변수에 존재하지 않는 사회경제적 패턴을 포착할 수 있으므로 공정성에 대한 신중한 고려가 필요하다고 언급했습니다.

유사한 논문