| [강재모 교수 연구팀] TinyML 기술 연구 성과, 탑티어 AI 학회 ECCV 2026 논문 채택 | |||||
| 작성자 | 관리자 | 작성일 | 2026-06-19 | 조회수 | 124 |
|---|---|---|---|---|---|
| 첨부파일 | |||||
  온디바이스 AI의 실시간 신뢰성 한계 돌파…초저복잡도 OOD 탐지 기술 개발 경북대학교 강재모 교수팀의 논문이 컴퓨터비전 및 인공지능 분야 최상위 국제학술대회인 ECCV 2026에 채택됐다. ECCV는 CVPR, ICCV와 함께 컴퓨터비전 분야를 대표하는 세계 최고 권위 학회로 평가받으며, 이번 성과는 경북대학교 인공지능학과 연구의 국제적 경쟁력을 보여주는 의미 있는 사례다. 채택된 논문은 “If It’s Not Efficient, It’s Not Usable: Real-Time OOD Detection with Latent De-Biasing and High-Quality Negative Samples”라는 제목으로, 제한된 연산 자원을 갖는 온디바이스 AI 환경에서 실시간으로 동작 가능한 고성능 이상 입력 탐지 기술을 제안했다. 본 연구는 웨어러블 기기, IoT 센서, 소형 드론 등 배터리와 연산 성능이 제한된 장치에서 AI 모델의 신뢰성을 확보하는 문제에 초점을 맞췄다. 최근 인공지능 모델은 높은 정확도를 보이고 있지만, 실제 현장에서는 학습 때 보지 못한 낯선 입력이나 분포가 다른 데이터가 들어올 수 있다. 이러한 입력을 제대로 구분하지 못하면 AI 시스템이 잘못된 판단을 내릴 수 있으며, 특히 헬스케어 모니터링, 재난 감지, 수색·구조, 환경 센싱과 같은 임무중심 응용에서는 치명적인 문제가 될 수 있다. 이를 해결하기 위한 기술이 OOD 탐지(Out-of-Distribution Detection)다. OOD 탐지는 입력 데이터가 학습 데이터 분포 안에 있는지, 혹은 학습 때 보지 못한 비정상적·낯선 데이터인지 판별하는 AI 안전성 기술이다. 기존 OOD 탐지 연구는 주로 높은 정확도를 달성하는 데 집중해 왔다. 그러나 높은 성능을 보이는 최신 방법들은 대규모 모델이나 복잡한 추론 과정을 필요로 하는 경우가 많아, 실제 온디바이스 환경에서는 사용하기 어렵다. 특히 TinyML 환경에서는 수십에서 수백 MFLOPs 수준의 제한된 연산량 안에서 추론이 이뤄져야 하므로, 정확도만 높은 모델은 실시간 활용 측면에서 한계를 가진다. 연구팀은 이러한 문제의식에서 출발해 “효율적이지 않다면 실제로 사용할 수 없다”는 관점으로 새로운 OOD 탐지 프레임워크를 제안했다. 이번 연구의 핵심 성과는 추론 속도와 탐지 정확도 사이의 기존 trade-off를 완화했다는 점이다. 연구팀은 VAE 기반의 비지도 학습 구조를 바탕으로, 첫째, 입력 이미지의 밝기나 픽셀 강도 차이에서 발생하는 편향을 추론 단계가 아니라 학습 단계에서 잠재공간 안에 내재적으로 제거하도록 설계했다. 이를 통해 기존 VAE 기반 OOD 탐지 방법에서 필요했던 반복 샘플링과 후처리 과정을 줄여 추론 복잡도를 크게 낮췄다. 둘째, 연구팀은 학습 데이터만을 활용해 실제 OOD 데이터처럼 경계 부근에 위치하는 고품질 hard negative sample을 생성하는 전략을 개발했다. 일반적인 negative sample이 학습 데이터 분포에서 너무 멀리 떨어져 있으면 모델의 결정경계를 정교하게 학습하는 데 큰 도움이 되지 않는다. 반면 본 연구에서 생성한 hard negative sample은 정상 데이터 분포의 바깥쪽 경계 근처에 위치하도록 설계되어, 모델이 정상 입력과 비정상 입력을 더 정밀하게 구분할 수 있도록 돕는다. 연구팀은 제안 방법의 실용성을 검증하기 위해 실제 TinyML 플랫폼인 NVIDIA Jetson Orin Nano 8GB devkit에서 실험을 수행했다. 실험 결과, 제안 방법은 동일한 TinyML 수준의 추론 지연시간 조건에서 기존 지도학습 기반, 후처리 기반, GAN 기반, diffusion 기반, VAE 기반 OOD 탐지 방법들을 전반적으로 능가했다. 특히 CIFAR-100 및 ImageNet-1k 기반의 다양한 near-OOD, far-OOD 벤치마크에서 기존 방법보다 높은 AUROC와 낮은 FPR95를 달성하며, 제한된 추론 예산 안에서 새로운 성능 기준을 제시했다. 또한 연구팀은 제안한 negative sample 생성 전략의 효과를 기존 CSI, CnC, VOS, NPOS, HamOS 등 주요 negative sample 생성 기법과 비교했다. 그 결과, 동일한 학습 구조에서 제안 기법을 적용했을 때 대부분의 벤치마크에서 가장 높은 성능을 보여, TinyML 기반 OOD 탐지에 적합한 hard negative sample 생성 전략임을 확인했다. 표준 GPU 환경에서도 제안 방법은 더 큰 성능 우위를 보였으며, 실제 저전력 장치와 일반 GPU 환경 모두에서 효율성과 정확도를 동시에 확보할 수 있음을 입증했다. 이번 연구는 온디바이스 AI의 신뢰성 확보에 중요한 기여를 할 것으로 기대된다. 향후 AI 시스템은 클라우드가 아닌 스마트폰, 웨어러블, IoT 센서, 로봇, 드론 등 사용자 가까이에 있는 장치에서 실시간으로 동작해야 한다. 이러한 환경에서는 모델의 정확도뿐 아니라 지연시간, 전력 소모, 메모리 사용량이 모두 중요하다. 본 연구는 제한된 연산 자원 안에서도 높은 신뢰성을 확보할 수 있는 OOD 탐지 기술을 제시함으로써, 실시간 헬스케어 모니터링, 스마트 안전관리, 환경 감시, 산업용 센서, 자율주행 및 로봇 시스템 등 다양한 분야에 활용될 수 있다. 강재모 교수는 “온디바이스 AI가 실제 현장에서 활용되기 위해서는 정확도뿐 아니라 실시간성, 연산 효율성, 안전성이 함께 보장되어야 한다”며 “이번 연구는 TinyML 환경에서 신뢰 가능한 AI를 구현하기 위한 실용적 방향을 제시했다는 점에서 의미가 있다”고 밝혔다. 이어 “앞으로도 제한된 하드웨어 환경에서도 안정적으로 동작하는 경량·신뢰 AI 기술을 발전시켜, 실제 산업과 사회 문제 해결에 기여할 수 있도록 연구를 이어가겠다”고 말했다. 또한, 연구진은 “AI 기술이 실제 현장에서 활용되기 위해서는 정확도뿐 아니라 지연시간, 연산량, 전력 소모까지 함께 고려해야 한다”며 “이번 연구는 TinyML 환경에서 신뢰가능한 실시간 이상 탐지를 구현하기 위한 실용적 기준과 기술적 해법을 제시했다는 점에서 의미가 있다”고 밝혔다. 이번 ECCV 2026 논문 채택은 경북대학교가 온디바이스 AI, 경량 AI, 신뢰가능 AI, 컴퓨터비전 분야에서 세계적 수준의 연구 역량을 확보하고 있음을 보여준다. 연구팀은 향후 저전력 AI 시스템, 엣지 디바이스 기반 실시간 이상 탐지, 안전한 AI 모델 배포 기술 등으로 연구를 확장할 계획이다. 경북대학교는 이번 ECCV 2026 논문 채택을 계기로 엣지 AI, 신뢰가능 AI, 저전력 온디바이스 학습 및 추론 기술 분야의 연구를 지속적으로 확대하고, 국제 공동연구와 실용화 중심의 AI 연구 역량을 강화해 나갈 계획이다. ※ 강재모 교수연구실(DeLTA LAB) 홈페이지: https://sites.google.com/view/jmkang (연구원, 대학원생, 학부연구생 상시모집) |
|||||
