잠재공간 (Latent Space)
쉽게 풀면
수많은 얼굴 사진을 놓고, 각 사진을 "얼굴형은 몇 점, 표정 밝기는 몇 점" 같은 몇 개의 숫자로 요약해서 지도 위 좌표처럼 찍어본다고 생각해 보세요. 비슷하게 생긴 얼굴들은 지도 위에서 서로 가까운 위치에 모이게 됩니다. 이렇게 복잡한 원본 데이터를 소수의 숫자(벡터)로 압축해 표현한 공간이 바로 잠재공간입니다. 신경망의 인코더 부분이 원본 데이터를 이 좌표로 바꾸는 역할을 하고, 디코더는 그 좌표를 다시 원본과 비슷한 데이터로 복원합니다.
왜 중요한가
고차원 원본 데이터를 저차원 잠재공간으로 압축하면, 데이터 사이의 유사성과 구조를 훨씬 다루기 쉬운 형태로 파악할 수 있습니다. 이 성질 덕분에 잠재공간은 생성모델, 이상탐지, 데이터 시각화, 표현학습 등 다양한 딥러닝 연구의 핵심 개념으로 자리잡고 있으며, 새로운 데이터를 생성하거나 데이터 간 보간(interpolation)을 수행하는 연구에서 특히 자주 다뤄집니다.
논문에서는 이렇게 쓰입니다
이 문장은 "이미지를 128개의 숫자로 압축한 뒤, 그 숫자만 가지고도 원래 이미지와 비슷한 것을 다시 만들어낼 수 있도록 모델을 훈련시켰다"는 뜻입니다. 이런 압축된 표현은 임베딩과 같은 개념의 연장선에 있습니다.
생성모델 연구에서 잠재공간의 연속성을 검증하기 위해 두 점 사이를 보간하는 실험을 설명하는 문장이다.
잠재공간에서의 위치를 기준으로 정상과 비정상 데이터를 구분하는 이상탐지 연구에서 흔히 쓰이는 표현이다.
조금 더 깊게 보면
잠재공간의 성질은 모델 구조에 따라 달라지는데, 오토인코더는 압축과 복원 오차를 최소화하는 데 초점을 두는 반면, 변분오토인코더(VAE)는 잠재공간이 특정 확률분포(흔히 정규분포)를 따르도록 정규화해 매끄럽고 연속적인 공간을 만듭니다. 이런 정규화 덕분에 VAE나 생성적 적대신경망(GAN) 계열 모델에서는 잠재공간 상의 임의의 점을 샘플링해 새로운 데이터를 생성하는 것이 가능해집니다.
주의할 점
잠재공간의 각 축(차원)이 사람이 이해할 수 있는 특정 의미(예: "밝기", "각도")를 항상 깔끔하게 대응해 갖는 것은 아닙니다. 여러 특징이 뒤섞여 표현되는 경우가 많아, 특정 축을 임의로 해석하는 데는 주의가 필요합니다.