⚡ electrical engineering

DNS: Data-driven Nonlinear Smoother for Complex Model-free Process

이 논문은 상태 전이 모델을 알 수 없는 복잡한 비선형 동적 시스템에서 노이즈가 포함된 측정 데이터만을 이용해 은닉 상태 시퀀스를 추정하는 비지도 학습 기반의 순환 신경망 구조인 DNS(Data-driven Nonlinear Smoother)를 제안하며, 기존 방식보다 뛰어난 성능을 입증했습니다.

원저자: Fredrik Cumlin, Anubhab Ghosh, Saikat Chatterjee

게시일 2026-02-10

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Fredrik Cumlin, Anubhab Ghosh, Saikat Chatterjee

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

🕵️‍♂️ 상황 설정: "안개 속의 무용수"

당신은 아주 멀리 떨어진 곳에서 안개가 자욱한 무대 위에서 춤을 추는 무용수를 관찰하고 있다고 상상해 보세요.

무용수의 움직임 (Hidden State): 무용수는 아주 복잡하고 화려한 동작을 하고 있습니다. 하지만 안개 때문에 무용수의 정확한 위치나 팔다리의 각도를 알기 어렵습니다.
노이즈 섞인 관찰 (Noisy Measurement): 당신은 망원경으로 무용수를 보지만, 안개 때문에 화면이 계속 흔들리고 지지직거립니다. 당신이 보는 데이터는 "무용수가 대략 이쯤 있겠구나" 하는 아주 불확실한 정보뿐입니다.
모델이 없음 (Model-free): 보통은 "무용수는 중력 때문에 발이 땅에 닿아야 해"라거나 "사람의 관절은 이렇게 꺾여" 같은 **물리 법칙(모델)**을 미리 알고 있으면 예측하기 쉽습니다. 하지만 이 논문에서 다루는 대상은 규칙을 전혀 모르는, 마치 외계 생명체처럼 제멋대로 움직이는 아주 복잡한 존재입니다.

💡 이 논문의 핵심 아이디어: DNS (데이터 기반 비선형 스무더)

기존의 방식들은 "무용수는 아마 이렇게 움직일 거야"라는 **예측(모델)**에 너무 의존했습니다. 만약 그 예측이 틀리면(예: 외계인이 춤을 춘다면), 결과는 엉망이 됩니다.

이 논문에서 제안한 DNS는 다음과 같은 전략을 씁니다.

1. "과거, 현재, 그리고 미래를 모두 훑어보기" (Smoothing)

기존의 많은 방식은 "지금까지 본 것"만 가지고 "지금 어디 있지?"를 맞추려고 했습니다(필터링). 하지만 DNS는 **"지금까지의 모습 + 지금 모습 + 앞으로 나타날 모습"**을 한꺼번에 고려합니다.

비유: 영화의 한 장면이 흐릿할 때, 그 앞 장면과 뒷 장면을 모두 보고 "아, 이 장면에서는 무용수가 이 위치에 있었겠구나!"라고 훨씬 정확하게 추측하는 것과 같습니다.

2. "똑똑한 인공지능 기억력" (Deep Recurrent Architecture)

DNS는 GRU라는 특수한 인공지능 구조를 사용합니다. 이는 마치 아주 똑똑한 관찰자가 "방금 본 것"과 "예전에 봤던 흐름"을 아주 효율적으로 기억했다가, 현재의 흔들리는 화면을 해석하는 데 사용하는 것과 같습니다.

3. "정답지 없이 스스로 배우기" (Unsupervised Learning)

가장 놀라운 점은, 이 인공지능에게 "무용수의 진짜 위치"를 알려주지 않았다는 것입니다. 오직 **"지지직거리는 안개 낀 화면(노이즈 데이터)"**만 보여주었습니다.

비유: 아이에게 정답을 알려주는 대신, "화면이 자연스럽게 이어지려면 무용수가 어떻게 움직여야 할까?"를 스스로 깨닫게 만드는 **'독학 학습법'**을 사용한 것입니다.

🏆 결과: 무엇이 좋아졌나요?

연구진은 이 DNS를 아주 복잡한 물리 시스템(로렌츠 시스템 등)에 적용해 보았습니다. 결과는 놀라웠습니다.

안개가 심해도(노이즈가 많아도) 강합니다: 기존 방식들은 안개가 조금만 심해져도 "무용수가 갑자기 순간이동을 했다!"라며 엉뚱한 답을 내놓았지만, DNS는 훨씬 차분하고 정확하게 무용수의 궤적을 찾아냈습니다.
확신과 의심의 조화: DNS는 단순히 위치만 맞추는 게 아니라, **"내가 지금 이 위치를 얼마나 확신하는지(불확실성)"**까지도 아주 잘 계산해 냅니다.

🌟 요약하자면

이 논문은 **"규칙을 전혀 모르는 복잡한 대상이, 아주 지저분하고 노이즈가 심한 데이터 속에서 움직일 때, 과거와 미래의 데이터를 모두 활용해 그 진짜 움직임을 마법처럼 찾아내는 인공지능 기술"**에 관한 것입니다.

이 기술은 앞으로 자율주행 자동차가 악천후 속에서 장애물을 감지하거나, 의료 기기가 몸속의 미세한 신호를 읽어낼 때 매우 유용하게 쓰일 수 있습니다.

[기술 요약] DNS: 복잡한 모델 프리(Model-free) 프로세스를 위한 데이터 기반 비선형 스무더

1. 문제 정의 (Problem Statement)

전통적인 베이지안 상태 추정(Bayesian state estimation)에서 복잡한 동적 시스템의 숨겨진 상태(hidden state)를 추정하는 작업은 매우 어렵습니다.

기존 방식의 한계: RTS(Rauch-Tung-Striebel) 스무더나 파티클 스무더(Particle smoother)는 시스템의 물리적 법칙을 나타내는 **상태 전이 모델(State-Transition Model, STM)**이 반드시 필요합니다. 하지만 실제 환경에서는 시스템의 물리적 특성을 모르거나(Model-free), 시스템이 매우 비선형적이고 확률적(Stochastic)이며, 마르코프 성질(Markovian property)을 만족하지 않는 경우가 많습니다.
데이터의 제약: 지도 학습(Supervised learning)을 사용하려면 상태 데이터(State data)가 필요하지만, 실제로는 노이즈가 섞인 측정 데이터(Measurement data)만 존재하는 비지도 학습(Unsupervised learning) 환경이 일반적입니다.

2. 제안 방법론 (Methodology: DNS)

본 논문은 STM 없이 오직 측정 데이터만을 사용하여 비선형 시스템의 상태 시퀀스를 추정하는 **DNS(Data-driven Nonlinear Smoother)**를 제안합니다.

A. 핵심 수식 및 접근법:
DNS는 사후 확률(Posterior) $p(x_{1:T} | y_{1:T})$ 을 다음과 같이 근사하여 계산합니다:
$p(x_{1:T} | y_{1:T}) \approx p(x_1 | y_{1:T}) \prod_{t=2}^{T} p(x_t | \hat{x}_{1:t-1}, y_{1:T})$
여기서 기존의 iDANSE 방식이 과거 데이터만 사용하는 '인과적(Causal)' 방식에 머물렀던 것과 달리, DNS는 미래의 측정값( $y_{t+1:T}$ , Anti-causal part)을 명시적으로 활용하여 스무딩 성능을 극대화합니다.

B. 심층 순환 구조 (Deep Recurrent Architecture, DRA):
DNS는 다음과 같은 구조를 통해 가우시안 사전 확률(Gaussian prior)의 파라미터인 평균( $m_t(\theta)$ )과 공분산( $L_t(\theta)$ )을 출력합니다.

입력 데이터: 과거 측정값( $y_{1:t-1}$ ), 미래 측정값( $y_{t+1:T}$ ), 그리고 과거의 추정 상태( $\hat{x}_{1:t-1}$ ).
구조: 세 가지 입력을 각각 처리하기 위한 **3개의 GRU(Gated Recurrent Units)**와 이들을 결합하는 Dense 레이어, 그리고 정보 손실을 방지하고 과잉 확신(Overconfidence)을 줄이기 위한 Skip connection으로 구성됩니다.
추론(Inference): DRA가 출력한 가우시안 사전 확률과 현재 측정값( $y_t$ )을 결합하여, '완전제곱식 만들기(Completing the square)' 방식을 통해 폐쇄형(Closed-form) 가우시안 사후 확률을 계산합니다.

C. 비지도 학습 (Unsupervised Learning):
상태 데이터 없이 측정 데이터( $y$ )만을 사용하여, 측정값의 **로그 가능도(Log-likelihood)**를 최대화하는 방향으로 모델 파라미터 $\theta$ 를 최적화합니다.

3. 주요 기여 (Key Contributions)

Model-free 스무딩: 물리적 모델(STM) 없이도 복잡하고 비선형적인 시스템의 상태를 추정할 수 있는 프레임워크를 제시했습니다.
Anti-causal 정보 활용: 미래의 측정 데이터를 활용하는 구조를 통해 기존 iDANSE 방식의 한계를 극복하고 스무딩 성능을 높였습니다.
폐쇄형 사후 확률 제공: 신경망을 통해 가우시안 파라미터를 예측함으로써, 계산 효율적이면서도 수학적으로 명확한 사후 확률 분포를 제공합니다.
Skip Connection의 효과 입증: 상태 추정치를 직접 연결하는 구조가 저신호 대 잡음비(Low SMNR) 환경에서 모델의 안정성을 높임을 증명했습니다.

4. 실험 결과 (Results)

세 가지 확률적 동적 시스템(Stochastic Lorenz, Chen, Double-spring pendulum)을 대상으로 실험을 진행했습니다.

성능 지표: NMSE(정규화된 평균 제곱 오차)와 ALP(평균 로그 사후 확률)를 사용했습니다.
비교 대상: ERTSS(모델 기반), DANSE, DKS(Deep Kalman Smoother), iDANSE(Iterative DANSE).
결과 요약:
- 정확도: DNS는 모든 시스템에서 기존 데이터 기반 방식(DKS, iDANSE)보다 우수한 NMSE를 기록했습니다.
- 불확실성 추정(ALP): 특히 노이즈가 심한 환경(Low SMNR, -10dB)에서 DNS는 다른 모델들이 수치적으로 붕괴(Collapse)되는 것과 달리, 매우 안정적이고 정확한 사후 확률(ALP)을 계산해냈습니다. 이는 DNS가 시스템의 불확실성을 훨씬 더 잘 파악하고 있음을 의미합니다.

5. 의의 (Significance)

본 연구는 모델을 알 수 없는 복잡한 동적 시스템(로봇 공학, 생체 신호 처리, 객체 추적 등)에서 데이터만으로 고성능의 상태 추정 및 불확실성 정량화가 가능함을 보여주었습니다. 특히 노이즈가 많은 극한 환경에서도 안정적인 성능을 보인다는 점에서 실용적 가치가 매우 높습니다.