준지도 학습 기반 냉장고 고장 분류와 클래스별 라벨 확장 프레임워크 연구 = Semi-supervised Fault Classification Using Class-Wise Adaptive Thresholds with a Label Expansion Framework

국문 초록 (Abstract)

산업 현장에서 수집되는 센서 데이터는 비라벨 데이터는 풍부한 반면, 고장에 대한 라벨 데이터는 발생 빈도가 낮고 라벨링 비용이 높아 충분한 확보가 어렵다. 이러한 환경에서는 지도학습 기반 고장 분류 모델의 성능이 제한되며, 이를 보완하기 위한 방법으로 준지도학습(semi-supervised learning, SSL)이 활용되고 있다. 그러나 기존의 Pseudo-Labeling 및 Mean Teacher 기반 준지도학습 방법은 단일 신뢰도 임계값(confidence threshold)을 사용하여 의사 라벨을 생성라기 때문에, 클래스별 분류 난이도 차이가 큰 경우 특정 클래스의 학습 신호가 충분히 확보되지 않는 문제가 발생한다.
본 연구에서는 이러한 한계를 해결하기 위해 클래스별 예측 신뢰도 분포를 고려한 클래스별 적응형 임계값 기반 준지도학습 방법(class-wise adaptive threshold-based semi-supervised learning)을 제안한다. 제안 방법은 각 클래스의 예측 신뢰도(confidence) 분포에서 분위수(quantile)를 기준으로 클래스별 임계값(threshold)을 설정함으로써, 분류 난이도가 높은 고장 클래스에서도 안정적으로 의사 라벨을 확보할 수 있도록 한다. 이를 통해 의사 라벨이 특정 클래스에 편중되는 현상을 완화하고, 비라벨 데이터가 학습 과정에서 보다 균형적으로 활용되도록 유도한다.
실험은 매우 제한된 라벨 환경에서 기존 Pseudo-Labeling 및 Mean Teacher 방법과 비교하여 수행되었다. 그 결과, 제안 방법은 라벨 수가 적은 조건에서 특히 우수한 성능을 보였으며, 분류 난이도가 높은 고장 클래스(Class 2)에 대해 유의미한 성능 향상을 확인하였다.
또한 실제 산업 환경에서는 라벨을 임의로 추가하는 것이 현실적으로 어렵다는 점을 고려하여, 본 연구에서는 클래스별 라벨 확장 프레임워크(class-wise label expansion framework)를 함께 제안한다. 해당 프레임워크는 준지도학습 기반 분류 성능과 비라벨 데이터의 예측 신뢰도 정보를 함께 고려하여 라벨 추가 우선순위를 자동으로 결정한다. 다양한 준지도학습 방법에 적용한 결과, 분류 난이도가 높은 고장 클래스에 대해 효율적인 라벨 확장 방향을 도출할 수 있음을 확인하였다.

다국어 초록 (Multilingual Abstract)

In industrial applications, large amounts of sensor data are continuously collected, while labeled fault data are scarce due to low fault occurrence rates and high labeling costs. Under such conditions, the performance of supervised fault classification models is inherently limited, making semi-supervised learning a practical alternative. However, conventional semi-supervised learning methods, such as Pseudo-Labeling and Mean Teacher, typically rely on a single confidence threshold for pseudo-label generation. As a result, when classification difficulty varies significantly across classes, insufficient learning signals are obtained for difficult fault classes.
To address this limitation, this study proposes a class-wise adaptive threshold-based semi-supervised learning method that explicitly considers class-specific confidence distributions. The proposed approach determines individual thresholds for each class based on quantiles of the predicted confidence distributions, enabling stable pseudo-label acquisition even for hard-to-classify fault classes. This strategy alleviates pseudo-label imbalance across classes and encourages more balanced utilization of unlabeled data during training.
Experiments were conducted under extremely limited labeled settings and compared with conventional Pseudo-Labeling and Mean Teacher methods. The results demonstrate that the proposed method achieves superior performance, particularly in low-label scenarios, and provides significant improvements for the most challenging fault class.
Furthermore, considering that arbitrary label acquisition is impractical in real industrial environments, this study also introduces a class-wise label expansion framework. The proposed framework automatically determines label allocation priorities by jointly considering semi-supervised classification performance and confidence information from unlabeled data. Experimental results across multiple semi-supervised learning methods confirm that the framework effectively guides label expansion toward difficult fault classes, enabling efficient utilization of limited labeling resources.

목차 (Table of Contents)

• 1. 서론 1
• 2. 사용 데이터 구성 및 특징 정의 4
• 3. 학습 방법론 7
• 3.1. 지도학습(Supervised Learning) 8
• 3.2. Pseudo-Labeling 10
• 3.3. Mean Teacher 기반 준지도 학습 방법 13
• 3.4. 기존 준지도 학습 방법 적용의 한계 15
• 4. 클래스별 적응형 임계값 기반 준지도학습 방법 18
• 4.1. 제안 방법 개요 18
• 4.1.1 문제 설정 및 기존 방법의 한계 18
• 4.1.2 클래스별 적응형 임계값 기반 의사 라벨링 19
• 4.2. 실험 설정 22
• 4.2.1 분류 모델 구조 23
• 4.2.2 학습 하이퍼파라미터 및 SSL 설정 23
• 4.3. 비교 실험 24
• 4.3.1 성능 지표 25
• 4.3.2 실험 결과 26
• 5. 클래스별 라벨 확장 프레임워크 제안 31
• 5.1. 제안하는 클래스별 라벨 확장 프레임워크 31
• 5.1.1 프레임워크의 목적 및 문제 설정 31
• 5.1.2 클래스별 라벨 확장 프레임워크 절차 32
• 5.2. 프레임워크 적용 결과 및 고찰 35
• 5.2.1 프레임워크 적용 결과 35
• 5.2.2 Stage 2 단독 적용 결과와의 비교 36
• 6. 결론 38
• 참고문헌 40
• ABSTRACT 43