메타버스 속 아바타와 정체성, 1부
산스크리트어에서 아바타(अवतार)는 “인간 형태의 화신”을 의미합니다. 로블록스에서 사용자의 정체성을 아바타만큼 직접적으로 반영하는 것은 거의 없습니다. 곧 알게 되겠지만, 로블록스에는 “표준적인” 사용자가 존재하지 않으며, 사용자 아바타의 환상적이고 다양한 미적 양상은 사용자 기반 자체의 다양성을 그대로 반영합니다.
아바타의 특성 분석 (방법론)
미적 다양성에 관심이 있다면, 먼저 아바타의 미적 특성을 파악해야 합니다. 가장 자연스럽게 살펴볼 수 있는 곳은 서로를 대할 때 사용자를 대표하는 2D 아바타 썸네일입니다. 미적 분석을 위해 이 썸네일을 의미론적으로 유의미한 수치적 표현으로 변환해야 합니다. 차원을 축소하는 방법은 다양하지만, 여기서는 몇 가지를 시도해 보겠습니다.
- 가장 간단한 접근 방식: 평면화된 썸네일 이미지에 PCA를 직접 적용하는 것입니다. 차원 축소의 “품질”을 평가하기 위해, 주성분(PC)의 극단에 위치한 썸네일을 시각화합니다. 첫 번째 주성분은 해석 가능한 유형의 아바타를 구분해 주지만, 열두 번째 주성분은 너무 광범위하여 의미가 없다는 것을 알 수 있습니다.
PC 1 (설명된 분산 14.3%):
2. 거의 마찬가지로 간단합니다: 시중에서 구할 수 있는 사전 훈련된 이미지 분류 네트워크(ResNet 18)의 마지막 숨겨진 레이어를 적용하고, 이를 클러스터링하여 임베딩 품질을 평가할 수 있습니다. ResNet이 색상 정보를 매우 효과적으로 포착하는 반면(두 번째 클러스터의 파란색 신발들을 참조), 때로는 형태 정보를 인코딩하는 데 실패하기도 한다는 점을 확인해 보세요(첫 번째 클러스터 참조).
아래는 두 클러스터의 썸네일 샘플입니다:
3. 응집성을 시각적으로 파악하기 위해 UMAP을 적용하여 이미지 분류 임베딩을 2차원으로 축소할 수 있습니다. 뚜렷한 클러스터가 보이는 듯하지만, 우측 하단에 위치한 거대한 점 덩어리는 의심스럽습니다. 실제로도 그렇습니다. 그 메가클러스터의 샘플들은 시각적으로 응집성이 떨어집니다.
2차원 임베딩 플롯:
4. 썸네일 데이터에 직접 소규모 맞춤형 변분 오토인코더(VAE)를 훈련시킵니다. 이상적으로는, 이 방법이 범용 이미지 분류기에 비해 로블록스 아바타의 독특한 미적 변이를 더 잘 포착할 수 있습니다. (재미있는 사실: K-means는 정규 사전 분포가 VAE의 잠재 변수 사후 분포와 일치하기 때문에 이러한 임베딩을 클러스터링하는 데 특히 적합합니다)
서로 다른 접근법의 이점을 정량화하려는 지표들이 존재하지만, 비지도 학습의 실제 적용 사례는 종종 주관적인 판단에 달려 있습니다. 경험상, 우리는 4번 방식에서 가장 큰 성과를 거두었습니다.
아바타 매니폴드
VAE를 사용하면 썸네일을 클러스터링을 위한 간결한 64차원 벡터로 변환할 수 있습니다. 다음은 20개 군집으로 나눈 VAE + K-means 클러스터링의 몇 가지 예시입니다:
한 클러스터에 포함된 매우 개성 있는 아바타들:
여러 번의 실행, 무작위 초기화, k 값 선택에 걸쳐 클러스터가 일관되게 나타나는 것은 아바타들이 자연스럽게 뚜렷한(비록 모호하긴 하지만) 범주로 분류된다는 것을 시사합니다. 윤곽의 양극단에는 구식이고 몸이 네모난 "Blocky" 캐릭터와, 키가 크고 날씬하며 더 실물 같은 "Rthro" 아바타가 있습니다. 또한 사용자가 Roblox 가입 후 한 번도 편집하지 않은 기본 아바타들도 다수 발견됩니다(위의 클러스터 4). 그 중간에는 “고스 닌자”부터 “클럽에 가는” 아바타까지 모든 유형이 존재합니다.
아바타를 통한 정체성
이러한 미적 클러스터는 사용자 본인과 어떤 관련이 있을까요?
가장 쉽게 접근할 수 있는 부분은 플랫폼 내 사용자 행동입니다. 지난 한 달간의 아바타 수정 횟수, 계정 개설 후 경과 주수, 총 플레이 시간(초), 클러스터별 1개월 유지율(참여 지표)을 그래프로 나타내면, 클러스터 간 극명한 차이를 보여주는 네 개의 그래프가 도출됩니다. 아바타를 대대적으로 커스터마이징한 사용자는 참여도가 가장 높고 유지율도 가장 높은 반면, 아바타를 그다지 수정하지 않은 사용자는 참여도가 낮은 경향이 있습니다.
이에 대해 두 가지 상반된 인과적 해석이 있습니다. 하나는 아바타를 편집하는 사용자가 그 결과로 Roblox에 더 깊이 몰입하게 된다는 것입니다. 다른 하나는 이미 Roblox에 애착을 가진 사용자가 시간이 지남에 따라 아바타에 더 많은 노력을 기울이는 경향이 있다는 것입니다. Roblox의 다른 연구진들은 어떤 해석을 믿어야 할지 판단하기 위해 훌륭한 연구를 수행해 왔습니다.
인과 관계와 상관없이, 플랫폼 내 정체성의 두 가지 측면인 미적 표현과 참여도가 밀접하게 연결되어 있음을 알 수 있습니다. 그렇다면 플랫폼 외부의 정체성은 어떨까요? 사용자의 실제 식별 정보(연령, 지역, 성별 등)는 Roblox 내 정체성과 어떻게 교차할까요? 이 블로그 게시물의 2부에서 확인해 보세요!
Nameer Hirschkind는 Roblox의 데이터 과학 인턴입니다. 그는 모든 플레이어가 마음에 드는 아바타를 만들 수 있도록 Roblox의 아바타 관련 업무를 담당하고 있습니다. Roblox Corporation이나 이 블로그는 어떠한 회사나 서비스도 추천하거나 지지하지 않습니다. 또한, 이 블로그에 포함된 정보의 정확성, 신뢰성 또는 완전성에 대해 어떠한 보증이나 약속도 하지 않습니다.
©2021 Roblox Corporation. Roblox, Roblox 로고 및 Powering Imagination은 미국 및 기타 국가에서 등록 및 미등록 상표입니다.
