초록
최근 반감독(semi-supervised) 의미 분할 기술의 발전은 제한된 레이블 데이터를 보완하기 위해 의사 레이블(pseudo labeling)에 크게 의존해 왔으며, 이 과정에서 의미 개념 간의 유용한 관계 지식은 무시되어 왔다. 이러한 격차를 메우기 위해 우리는 새로운 신경-논리 반감독 학습 프레임워크인 LogicDiag를 제안한다. 본 연구의 핵심 통찰은, 상징적 지식(symbolic knowledge)을 통해 식별된 의사 레이블 내의 모순(conflicts)이 강력하지만 흔히 간과되는 학습 신호가 될 수 있다는 점이다. LogicDiag는 논리 유도 진단(logic-induced diagnoses)을 통한 추론을 통해 이러한 모순을 해결함으로써, 오류가 발생할 수 있는 의사 레이블을 복구할 수 있게 되며, 이는 유명한 오류 누적 문제(error accumulation problem)를 효과적으로 완화하는 데 기여한다. 우리는 데이터 소비가 큰 분할 시나리오에서 LogicDiag의 실용적 적용 가능성을 제시하며, 의미 개념의 구조적 추상화를 논리 규칙 집합으로 공식화한다. 세 가지 표준 반감독 의미 분할 벤치마크에서 실시한 광범위한 실험을 통해 LogicDiag의 효과성과 일반화 능력이 입증되었다. 더불어, LogicDiag는 통계적·신경 기반 학습 기법이 주류를 이루는 현대 학습 환경에서 상징적 추론(symbolic reasoning)을 체계적으로 통합함으로써 나타나는 희망적인 기회를 강조한다.