‘학습 시간↓, 성능은 유지’… UNIST, 3D AI 모델 고효율 학습 데이터 경량화 기술 공개

UNIST 인공지능대학원 심재영 교수팀, 3D 포인트 클라우드 데이터 증류 기법 개발

데이터 순서 불일치·회전 변동성 동시 해결, 범용 성능 입증… NeurIPS 논문 채택

"무거운 AI는 가라!" UNIST, '속도 혁명'으로 3D 모델 학습 시간 획기적 단축. 학습할 데이터는 줄였는데, AI 모델의 성능은 최상급을 유지한다?

자율주행차나 로봇의 눈 역할을 하는 사물 인식 인공지능(AI) 모델이 학습해야 할 데이터의 양을 요약해도 성능을 보존할 수 있어, 학습 효율을 극대화하는 기술이 나왔다.

AI 모델 개발에 드는 시간과 연산 비용을 크게 줄일 수 있게 됐다.

UNIST 인공지능대학원 심재영 교수팀은 3D 포인트 클라우드(Point Cloud) 데이터를 효과적으로 압축해 학습 효율을 높이는 '데이터 증류(dataset distillation)' 기술을 개발했다.

연구진(좌측부터) 심재영 교수, 임재영 연구원(제1저자), 김동욱 연구원(제1저자). UNIST 제공

데이터 증류는 대규모 학습 데이터 중 요점만을 추출해 새로운 '요약 데이터'를 만들어내는 기술이다. 3D 포인트 클라우드 데이터는 이 데이터 증류 기술 적용이 까다로운 형태의 데이터로 꼽힌다. 3D 포인트 클라우드 데이터는 사물을 점으로 표현해 놓은 데이터인데, 점들의 배열에 정해진 순서가 없고, 물체가 회전해 있는 경우가 많은 특성 때문이다.

이러한 특성은 요약 데이터를 생성하는 과정에서 치명적인 걸림돌이 된다. 데이터 증류는 원본 데이터와 요약 데이터의 특징을 '비교'하는 방식으로 요약 데이터의 완성도를 높여 나가게 되는데, 위와 같은 데이터 특성 때문에 제대로 된 비교(매칭)가 불가능하다. 결국 엉뚱한 부위끼리 비교하게 되거나 같은 물체도 다른 물체로 인식해 잘못된 정보가 반영된 요약 데이터를 만들게 된다.

연구팀은 이 문제를 해결한 데이터 증류 기술을 개발했다. 순서가 제각각인 점 데이터의 의미 구조를 자동으로 정렬해주는 손실 함수(SADM)와 물체의 회전 각도를 AI가 스스로 최적화해 학습하도록 하는 방향 최적화(learnable rotation) 기법이 적용된 기술이다.

개발된 데이터 증류 기술은 원본 대비 수십 분의 1 수준으로 데이터를 줄여도 모델 정확도를 유지하는 것으로 확인됐다. 특히, 특정 데이터셋(ModelNet40)에서는 데이터를 원본 크기의 25분의 1로 줄인 요약 데이터로 학습해도 80.1%의 인식 정확도를 기록해, 전체 데이터로 학습했을 때의 87.8％와 큰 차이가 나지 않았다. 이는 높은 압축률에서도 학습 효율과 성능을 균형 있게 확보할 수 있음을 보여주는 결과다.

심재영 교수는 "이번 기술은 3D 점 데이터의 무질서한 구조와 회전 불확실성으로 인해 기존 기술들이 겪던 매칭 오류를 근본적으로 해결한 것"이라며 "자율주행, 드론, 로봇, 디지털 트윈 등 대규모 3D 데이터 활용이 필요한 분야에서 AI 학습 비용과 시간을 크게 줄이는 데 기여할 수 있을 것"이라고 말했다.

3D 데이터셋 증류 기술 개요.

이번 연구 결과는 3대 인공지능 분야 권위 국제학회인 '신경정보처리시스템학회(NeurIPS) 2025'에 정식 논문으로 채택됐다.

연구수행은 과학기술정보통신부 한국연구재단, 정보통신기획평가원의 지원을 받아 이뤄졌다.

2025년 신경정보처리시스템학회는 12월 2일부터 7일까지 미국 샌디에이고에서 열린다.

영남취재본부 김철우 기자 sooro97@asiae.co.kr