세밀한 이미지 인식(Fine-grained recognition)과 같이 복잡한 분류 작업에서 인공지능(AI) 모델은 종종 계층적 레이블 공간을 다루게 됩니다. 예를 들어, 특정 새의 종류를 식별할 때 '새'라는 상위 개념에 대해서는 확신하지만, '참새'와 '제비' 같은 하위 개념에서는 불확실성을 가질 수 있습니다. 이러한 구조화된 모호성(structured ambiguity)은 모델이 단순히 최종 결과뿐 아니라 중간 단계의 개념에 대해서도 불확실성을 표현할 수 있는 새로운 접근 방식을 요구합니다.
기존의 분류 모델들은 이러한 요구사항을 온전히 충족시키지 못했습니다. 일반적인 증거 기반 분류기(evidential classifier)는 최종 단계의 불확실성만 단일 수치로 표현하며, 계층적 분류기(hierarchical classifier)는 확률만을 전달할 뿐 신뢰도(evidence) 개념이 부족했습니다. 위안위 류(Yuanye Liu)와 샤하이 주앙(Xiahai Zhuang) 연구진이 제안한 H EDL(Hyper Evidential Deep Learning)은 이러한 한계를 극복합니다. 이 모델은 분류 체계(taxonomy) 자체를 '하이퍼도메인(hyperdomain)'으로 활용하여, 각 분기 노드(branching node)에 대한 국소적인 디리클레(Dirichlet) 신뢰도를 통해 모든 복합 레이블(composite label)의 신뢰도를 명확히 계산합니다. 이를 통해 H EDL은 예측 관점에서는 계층 전반에 걸쳐 일관성을 유지하는 계층 분류기로 작동하며, 확률적 관점에서는 각 노드에 할당된 신뢰도가 해당 노드까지는 도달했지만 더 이상 세분화할 충분한 확신이 없는 믿음을 나타내는 유효한 트리 구조 하이퍼-의견(hyper-opinion)을 정의합니다.
H EDL은 FGVC-Aircraft 및 DERM12345와 같은 데이터셋에서 교차 엔트로피(cross-entropy) 기반 모델 대비 보정 오류(calibration error)를 약 절반가량 줄이는 성능을 보였습니다. 특히 계층이 깊어질수록, 그리고 더 많은 훈련 데이터가 주어질수록 이러한 개선 효과는 더욱 두드러졌습니다. 이는 H EDL이 복잡한 계층적 분류 문제에서 모델의 예측 신뢰도를 더욱 정확하게 측정하고, 불확실성을 효과적으로 관리할 수 있음을 의미합니다. 결과적으로 이 기술은 의료 진단, 자율주행, 세밀한 객체 인식 등 높은 신뢰성과 설명 가능성이 요구되는 다양한 AI 응용 분야에 중요한 기여를 할 것으로 기대됩니다.