부분 센서 오버랩 환경에서의 기계 간 데이터 전이 연구
Schema-Adaptive Action-Conditioned JEPA for Cross-Machine CNC Transfer under Partial Sensor Overlap
arXiv산업 현장의 모델을 다른 기계에 적용하려면, 센서 인터페이스나 구동 방식 변화를 극복하는 '전이 학습' 능력이 핵심 과제입니다.
- 연구진은 SAAC-JEPA 모델로 센서가 부분적으로 겹치는 CNC 장비 간 데이터 전이 테스트를 진행하여 성능을 검증했습니다.
- 이는 소스 기계에서의 예측 정확도만으로는 부족하며, 기계 간 적응 과정 자체가 중요한 평가 기준임을 입증합니다.
- 따라서 특정 개선 요소가 다른 지표(예: 보정력)를 저하시킬 수 있으므로, 전이 과정을 다각적으로 평가하는 것이 중요합니다.
산업 현장에서의 모델 배포는 동역학 변화, 센싱 인터페이스 변경, 샘플링 체제 및 제어 장치 단위의 전환을 수반합니다. 본 연구에서는 CNC 역학에 대한 스키마 적응형 액션 조건부 JEPA(SAAC-JEPA)를 사용하여 기계 간 데이터 전이를 연구했습니다. 이 실험은 소스 기계가 17개의 표준 센서 채널을 가지고 있는 반면, 타겟 기계는 그중 10개만 공유하는 부분 센서 오버랩 환경을 가정하여 진행되었습니다.
초기 평가 결과에 따르면 JEPA 사전 학습은 깨끗한 소스 예측 이득(clean-source forecasting gain)을 제공하지 못했습니다. 모델이 확정된 타겟 테스트를 거쳐 $\mathrm{RMSE}=0.546$, $R^2=0.012$, 그리고 $\mathrm{NLL}=0.52$를 달성하며 성능을 보였습니다. 이는 지속성(persistence)보다 우수했으나, 일부 기준 모델($0.503$ 및 $0.498$)보다는 낮은 수치였습니다.
추가 분석 결과, 특정 개선 요소인 RevIN은 동일 아키텍처에서 RMSE를 $0.495\pm0.004$로 향상시켰으나, 정지된 에서는 타겟 보정력($\mathrm{NLL}=20.6$)을 저하시키는 문제가 발견되었습니다. 이러한 결과들은 소스 도메인 예측 정확도만으로는 산업적 예측 표현력을 평가하기에 불충분하며, 부분 센서 오버랩 하의 기계 간 적응 자체가 별도의 평가 축임을 보여줍니다.
용어 풀이
- 제로샷
- 예시를 하나도 주지 않고 바로 과제를 시키는 방식.
- 컨텍스트 윈도우
- 모델이 한 번에 읽고 참고할 수 있는 입력의 최대 길이. 보통 토큰 수로 나타내요.