오늘날 딥 러닝은 기계학습과 인공지능을 비롯한 다양한 분야에서 널리 쓰이고 있다. 여러 분야의 난제를 적절하게 해결하는 능력은 딥 러닝의 폭발적인 발전과 보급을 주도하였고, 실생활에서도 스마트폰의 보급과 발맞춰 다양한 편의를 사람들에게 제공하고 있다.
딥 러닝은 인간의 신경망을 모사하는 알고리즘에서 시작하였으며, 인간이 할 수 있는 것을 컴퓨터에서 수행하고자 하는 방향으로 연구와 개발이 진행되고 있다. 특히 카메라 영상에서 보이는 글씨가 어떤 글씨인지 인식하거나 앞에 있는 물체가 무엇인지 알아내는 등의 분야에서는 이미 인간보다도 우수한 성능을 보인다. 그러나 인간은 눈앞에 잘 모르는 꽃이 있을 때 꽃의 도감을 보고 비교해서 어떤 꽃인지 알아내는 작업을 비롯한 다양한 비교 작업을 수행할 수도 있음에도 불구하고, 딥 러닝에서 두 입력의 비교에 관한 연구는 찾아보기 어렵다.
딥 러닝을 이용하지 않는 비교 기법은 거리를 계산하는 수식을 기반으로 하는 연구가 대표적이다. mean squared error, euclidean distance, cosine similarity 등 다양한 수식이 이에 해당하며, 각각의 특성에 맞게 다양한 분야에서 쓰여오고 있다. 그러나 이러한 수식들은 출력이 하나의 숫자이므로 출력을 이용한 추가적인 학습이 어렵고 유연성이 떨어진다는 단점이 있다. 수식을 기반으로 하는 비교의 경우 특성 벡터를 만들어 내기 위해 딥 러닝을 사용하는 경우가 있으나 이 경우에도 비교 자체에 딥 러닝을 사용하지는 않는다.
한편, 딥 러닝을 이용하는 비교 기법으로는 두 벡터를 연결하는 concatenate 레이어를 이용하는 모델이 연구된 사례가 있다. 하지만 이러한 종류의 모델은 학습시키기 어렵고 간단한 구성의 모델에서는 작동하지 않는 경우가 많아서 비교 성능과 연산 성능이 좋지 않다.
따라서, 본 논문에서는 1:1 비교에 특화된 인공신경망 레이어인 SimilarNet과 이에 기반한 metric space learning 아키텍처를 제안한다. 이 아키텍처는 두 벡터를 구성하는 원소의 위치 관계를 반영하는 신경망 구성을 통해 두 벡터의 유사도 벡터를 출력하는 SimilarNet 레이어를 이용하며, 벡터의 특성을 추출하는 모듈과 추출된 특성을 비교하는 모듈로 구성된다. 이 아키텍처를 통해 두 벡터의 형상이 다른 경우를 포함하여 다양한 데이터에 대한 1:1 비교를 학습할 수 있으며, 두 벡터를 연결하여 비교를 구현하는 기법에 비해 학습 성공률과 성능이 월등하다. 또한 본 논문에서는 이 아키텍처를 응용하여 분류, 실내측위, 이상치 탐지, 시계열 분석 등의 문제를 해결하는 사례를 보인다.