Uncertainty-Guided Label Rebalancing for CPS Safety Monitoring

Each language version is independently generated for its own context, not a direct translation.

🚁 문제: "안전한 날개"와 "위험한 날개"의 불균형

상상해 보세요. 드론이 하늘을 날아다니는 1,000 번의 비행 기록이 있습니다. 그중 978 번은 아무 일 없이 안전하게 날아갔고, 단 22 번만 추락하거나 장애물에 부딪히는 사고가 발생했습니다. (실제 데이터 비율은 46:1 로, 안전이 압도적으로 많습니다.)

이제 이 데이터를 바탕으로 "위험한 비행"을 미리 예측하는 AI를 만든다고 칩시다. 문제는 AI 는 978 번의 '안전한 비행'만 보고 학습하면, "아, 드론은 항상 안전하구나!"라고 착각하게 됩니다. 그래서 정작 중요한 22 번의 '위험한 비행'을 전혀 찾아내지 못하게 됩니다.

기존에 이 문제를 해결하려던 방법들은 다음과 같았습니다:

가짜 데이터 만들기 (SMOTE): 안전한 비행 데이터를 복사해서 인위적으로 늘리거나, 위험한 데이터를 만들어내려 했습니다. 하지만 이는 마치 가짜 지폐를 만들어서 경제를 살리려는 것처럼, 실제와 다른 엉뚱한 데이터가 생겨나 AI 를 혼란스럽게 만들었습니다.
점수 가중치 주기: 위험한 데이터 하나를 10 점으로 치고, 안전한 데이터는 1 점으로 치는 방식입니다. 하지만 위험한 데이터가 너무 적으면 이 방법도 효과가 떨어집니다.

💡 해결책: "불안한 심정"을 감지하다 (U-Balance)

연구진은 드론이 사고를 내기 직전에는 어떤 공통된 특징이 있을 거라고 생각했습니다. 바로 **'불확실성 (Uncertainty)'**입니다.

비유: 안전한 운전자는 핸들을 부드럽게 돌립니다. 하지만 위험한 상황 (갑작스러운 장애물 등) 에 직면하면 운전자는 핸들을 급격히 꺾거나, 차가 떨리거나, 방향을 빠르게 바꾸는 등 **'불안한 행동'**을 보입니다.
드론도 마찬가지입니다. 사고가 날 것 같은 순간에는 제어 신호가 흔들리거나 방향이 급변하는 등 **'불안한 신호'**를 보냅니다.

이 연구에서 제안한 U-Balance는 바로 이 **'불안한 심정 (행동)'**을 이용해 문제를 해결합니다.

1 단계: 불안감 측정기 (Uncertainty Predictor)

먼저 AI 에게 드론의 비행 데이터를 보여주고, "이 비행은 얼마나 불안해?"라고 물어봅니다.

비유: 마치 심박수 측정기처럼, 드론의 움직임이 얼마나 거칠고 예측 불가능한지 점수를 매기는 장치입니다. "방향 전환이 너무 심하네? 이거 위험할 수도 있겠다"라고 점수를 줍니다.

2 단계: 라벨 재배분 (uLNR) - 핵심 아이디어!

이제 가장 중요한 단계입니다. 기존에는 '안전하다'라고 적힌 데이터 중에서도 불안감 점수가 매우 높은 것들을 찾아냅니다.

비유: "평소엔 안전하다고 분류된 학생들 중, 시험 직전에 손이 떨리고 초조해하는 학생들"을 찾아내는 것과 같습니다.
연구진은 이 '불안한 안전 데이터'들을 가짜로 '위험'으로 라벨을 바꿔줍니다. (실제로는 안전했지만, 위험할 뻔했던 경계선 사례들입니다.)
이렇게 하면 AI 는 "아, 안전해 보이지만 불안한 신호가 있는 경우에도 위험할 수 있구나!"라고 더 정교하게 학습하게 됩니다. 새로운 가짜 데이터를 만드는 게 아니라, 기존 데이터의 의미를 재해석하여 균형을 맞춘 것입니다.

3 단계: 최종 안전 감시관 (Safety Predictor)

이제 균형이 맞춰진 데이터로 최종 AI 를 훈련시킵니다. 이 AI 는 이제 '위험한 비행'을 매우 정확하게 찾아냅니다.

🏆 결과: 왜 이 방법이 좋은가요?

기존의 다른 방법들 (SMOTE, 가중치 주기 등) 과 비교했을 때, 이 U-Balance 방식이 압도적으로 좋았습니다.

성능: 위험한 상황을 찾아내는 정확도 (F1 점수) 가 기존 최고 기술보다 약 14% 포인트나 더 높았습니다.
효율성: 데이터를 새로 만들지 않고 기존 데이터를 활용하므로, 계산 속도도 빠르고 실시간으로 드론을 감시하기에 적합합니다.

📝 한 줄 요약

"드론이 사고를 내기 직전의 '불안한 떨림'을 감지하여, 안전해 보이지만 위험할 뻔했던 사례들을 찾아내어 AI 가 더 똑똑하게 학습하도록 돕는 기술"

이 기술은 드론뿐만 아니라 자율주행차, 산업용 로봇 등 위험한 사고가 드물지만 발생하면 치명적인 모든 시스템에 적용될 수 있는 혁신적인 방법입니다.

Each language version is independently generated for its own context, not a direct translation.

1. 문제 정의 (Problem)

사이버 - 물리 시스템 (CPS), 특히 무인 항공기 (UAV) 와 같은 시스템의 안전 모니터링은 실시간으로 위험 상태를 감지하고 예방하는 데 필수적입니다. 그러나 현실 세계의 CPS 운영 데이터에는 다음과 같은 근본적인 문제가 존재합니다.

극심한 클래스 불균형 (Extreme Class Imbalance): 실제 운영에서 안전하지 않은 사건 (Unsafe events) 은 매우 드물게 발생합니다. 예를 들어, UAV 데이터셋의 경우 안전 (Safe) 과 위험 (Unsafe) 데이터의 비율이 약 46:1에 달합니다.
기존 방법론의 한계:
- SMOTE 등 합성 데이터 생성: 시계열 CPS 데이터에 SMOTE 를 적용하면 비현실적인 합성 샘플이 생성되어 노이즈를 증폭시키거나 과적합을 유발합니다.
- 클래스 가중치 (Class Weighting): 극심한 불균형 하에서는 효과적이지 않으며, 소수 클래스 (위험) 를 제대로 학습하지 못합니다.
- 기존 라벨 노이즈 재균형 (LNR): 이미지 데이터에서는 유효했으나, CPS 의 동적이고 예측 불가능한 시계열 데이터에는 적용이 연구되지 않았습니다.
활용되지 않는 정보: CPS 운영 중 발생하는 행동적 불확실성 (Behavioral Uncertainty) (예: 불규칙한 제어 신호, 급격한 heading 변화) 은 안전 결과와 높은 상관관계가 있음이 알려져 있으나, 이를 데이터 불균형 해결에 활용하는 연구는 부족했습니다.

2. 제안 방법론: U-Balance

저자들은 U-Balance라는 새로운 지도 학습 접근법을 제안합니다. 이는 행동적 불확실성을 활용하여 학습 데이터의 라벨을 재균형화 (Rebalancing) 한 후 안전 예측기를 학습시키는 3 단계 프로세스로 구성됩니다.

3.1. 불확실성 예측기 (Uncertainty Predictor)

입력: 각 시간 창 (Telemetry window) 의 다변량 시계열 데이터 (heading, x, y, z 좌표 등).
전처리 (Distributional Features): 원시 시계열 데이터를 시간적 특성을 포착하는 **분포 기반 운동학 특징 (Distributional Kinematic Features)**으로 변환합니다. 각 채널 (4 개) 에 대해 평균, 표준편차, 최소값, 최대값을 계산하여 16 차원 벡터를 생성합니다.
모델 아키텍처 (GatedMLP):
- 단순 MLP 대신 GatedMLP를 사용합니다. 이는 GRU 에서 영감을 받아 'Transform Pathway'와 'Gate Pathway'를 병렬로 운영합니다.
- 게이트 메커니즘을 통해 비행 조건에 따라 관련성이 낮은 특징을 동적으로 억제하고, 중요한 특징을 강조하여 불확실성 점수를 산출합니다.
출력: 각 시간 창에 대한 불확실성 점수 (Uncertainty Score).

3.2. 불확실성 기반 라벨 재균형 (uLNR, Uncertainty-guided Label Rebalancing)

기존 LNR 을 CPS 시계열 데이터에 맞게 수정한 핵심 단계입니다.

불확실성 점수화: 안전 (Safe) 으로 라벨링된 샘플들의 불확실성 점수를 Z-score 로 정규화합니다.
플립 확률 계산: Z-score 가 임계값 ( $\tau$ ) 을 초과하는 안전 샘플에 대해, 불확실성이 높을수록 위험 (Unsafe) 으로 라벨이 뒤집힐 확률 ( $p_{flip}$ ) 을 증가시킵니다. (Shifted Hyperbolic Tangent 사용)
확률적 라벨 재할당 (Stochastic Relabeling): Bernoulli 시행을 통해 확률적으로 안전 라벨을 위험 라벨로 변경합니다.
- 효과: 새로운 합성 데이터를 생성하지 않으면서, 결정 경계 근처에 있는 정보량이 풍부한 (Informative) 경계 샘플을 소수 클래스에 추가하여 데이터 분포를 재균형화합니다.

3.3. 안전 예측기 (Safety Predictor)

재균형화된 데이터셋 ( $D_{bal}$ ) 을 사용하여 최종 안전 예측기를 학습합니다.
모델: Multi-layer Bi-LSTM 을 사용하여 시계열 의존성을 포착하고, 분류 레이어를 통해 안전/위험 확률을 출력합니다.

3. 주요 기여 (Key Contributions)

U-Balance 제안: CPS 안전 모니터링을 위해 행동적 불확실성을 데이터셋 재균형에 활용한 최초의 접근법입니다. 기존 융합 (Fusion) 기반 전략을 넘어 불확실성을 재균형 신호로 활용하는 새로운 패러다임을 제시했습니다.
새로운 불확실성 예측기: 시계열 텔레메트리를 분포 기반 운동학 특징으로 요약하고, GatedMLP를 통해 불확실성을 추정하는 전용 예측기를 설계했습니다.
uLNR 메커니즘: 합성 데이터 생성 없이 불확실성 정보를 활용하여 라벨을 재할당하는 새로운 전략을 제안하고, 이를 통해 극심한 불균형 문제를 해결했습니다.

4. 실험 결과 (Results)

저자들은 Khatiri et al. [43] 이 구축한 대규모 UAV 벤치마크 (약 53 시간 비행, 1,498 회 비행, 46:1 불균형) 에서 U-Balance 를 평가했습니다.

불확실성과 안전의 상관관계: 행동적 불확실성과 안전 상태 간에 중간 정도이지만 통계적으로 유의미한 상관관계 ( $r_{pb} = 0.444$ ) 가 있음을 확인했습니다.
성능 비교 (F1 Score):
- U-Balance: 0.806의 F1 점수를 기록했습니다.
- Baseline 비교: 가장 강력한 베이스라인 (TimeMoE 등) 대비 14.3%p 더 높은 성능을 보였습니다.
- 재균형 전략 비교: uLNR 은 Early Fusion, Late Fusion, 기존 SMOTE, Undersampling, Class Weighting 등 14 가지 기존 재균형 기법보다 모두 유의미하게 우월한 성능을 보였습니다 (가장 가까운 T-SMOTE 대비 13.1%p 우위).
효율성: U-Balance 는 높은 예측 성능을 유지하면서도 추론 지연 시간 (0.0045 초) 이 기존 심층 학습 모델들과 유사하여 실시간 모니터링에 적합함을 입증했습니다.
Ablation Study:
- GatedMLP: 게이트 메커니즘이 없는 일반 MLP 대비 F1 점수가 7.4%p 감소하여 게이트 구조의 중요성을 입증했습니다.
- 분포 기반 전처리: 원시 데이터를 직접 사용하는 RNN/GRU/LSTM 대비 분포 기반 특징 추출이 불확실성 예측에 필수적임을 확인했습니다.
- 임계값 ( $\tau$ ): $\tau=3.0$ 일 때 최적의 성능을 보였으며, 이는 불확실성이 높은 샘플을 적절히 재할당하면서도 과도한 노이즈를 방지함을 의미합니다.

5. 의의 및 결론 (Significance)

이 연구는 CPS 안전 모니터링 분야에서 데이터 불균형 문제를 해결하기 위해 행동적 불확실성이라는 도메인 지식을 체계적으로 통합한 선구적인 작업입니다.

기술적 혁신: 합성 데이터 생성 (SMOTE 등) 의 한계를 극복하고, 기존 데이터의 라벨을 지능적으로 재할당하여 소수 클래스의 정보량을 증가시키는 uLNR 전략을 성공적으로 시계열 데이터에 적용했습니다.
실용성: UAV 와 같은 실제 CPS 환경에서 안전 사고를 미연에 방지할 수 있는 높은 정밀도와 재현율을 동시에 달성하여, 안전이 최우선인 시스템 (Safety-critical systems) 에 대한 데이터 기반 예측 모델의 신뢰성을 크게 향상시켰습니다.
확장성: 제안된 프레임워크는 자율 수중 차량 등 다른 CPS 도메인으로 확장 가능하며, 불확실성 추정 기술의 발전과 함께 지속적인 성능 향상이 기대됩니다.

요약하자면, U-Balance 는 "불확실한 행동은 위험할 가능성이 높다"는 통찰을 활용하여, 데이터의 불균형을 해결하고 안전 예측 모델의 성능을 획기적으로 개선한 혁신적인 방법론입니다.