PyTorchKR Papers

최신 논문

총 477편
태그·기간 등 상세 필터

카테고리 탐색

arXiv:2611.24827v1cs.LG

저비용 작물 잔재물 피복 지도화를 위한 분광 언믹싱 기법 학습용 생성 모델 기반 초분광 데이터 합성

Synthesizing hyperspectral Data using generative Models to train spectral Unmixing Methods for low-cost Crop Residue Cover Mapping

토론토 대학교 항공우주팀 우주시스템 부문이 개발한 작물 잔재물 초분광 지도화용 현장 영상 나노위성(FINCH)의 분광 범위는, 작물 잔재물 피복의 분율 풍부도를 결정하기 위한 초분광 언믹싱에 상당한 어려움을 제기한다. 표준 지수가 심각하게 부족하여 복잡한 데이터 기반 언믹싱 모델을 사용해야 한다. 복잡한 언믹싱 모델은 조밀하고 고르게 분포된 다양체를 필요로 하지만, 지상 실측 데이터셋은 희소하고 비용이 많이 든다. 기존 지상 실측 데이터셋의 정보량을 더 잘 활용하기 위해, 본 연구는 전통적인 단일 모델 언믹싱 파이프라인과 달리, 중간 단계의 조건부 데이터 생성기를 통해 보간과 풍부도 매핑 추정을 분리하는 프레임워크를 제시한다. 이러한 분리는 언믹싱 모델이 본래 접근할 수 없는 스펙트럼에 관한 물리적 사전 지식을 포함할 수 있게 하며, 이를 통해 데이터셋을 인위적으로 확장하여 모집단 위험의 몬테카를로 근사로 활용한다. 이 가설을 검증하기 위해 우리는 두 가지 생성기 모델, 즉 Conformer 레이어를 갖춘 1D 조건부 U-Net(GD-Streamline)과 이중 경로 Transformer 조건부 변분 오토인코더(TCVAE), 그리고 두 가지 언믹싱 모델, 즉 다층 퍼셉트론(MLP)과 푸리에 신경 연산자(FNO)를 제안하였다. 연구 결과는 생성기 모델의 도메인 및 모드 붕괴와 환각을 방지하기 위해 제안된 분리 프레임워크 내에 스펙트럼 사전 지식을 엄밀하게 통합하고 도입할 필요가 있음을 보여 주며, 그렇지 않으면 잘못 근사된 데이터 다양체가 만들어져 궁극적으로 만족스럽지 못한 분포 외 언믹싱 성능으로 이어진다.

arXiv:2611.24249v1cs.AI

점에서 궤적으로: 물리적 사건을 위한 멀티모달 정렬의 재고

From Points to Trajectories: Rethinking Multimodal Alignment for Physical Events

물리 인공지능(Physical AI)을 발전시키려면 정적인 객체 인식을 넘어, 충격, 마찰, 힘 전달과 같은 실제 세계의 역학이 시간에 따라 어떻게 전개되는지를 기반으로 삼아야 한다. 멀티모달 정렬기는 다중 센서 스트림을 매칭하여 이러한 상호작용을 포착하고자 하지만, 지배적인 아키텍처는 각 시간 시퀀스를 하나의 풀링된 임베딩으로 압축한다. 우리는 이러한 패러다임이 쌍둥이 사건, 즉 동일한 과제 조건에서 기록된 서로 다른 물리적 수행에서 실패함을 보인다. 시간 차원을 붕괴시키면 일시적인 교차 모달 동역학이 평균화되어 사라지며, 물리적 사건 정렬이 사실상 정적 장면 인식으로 환원된다. 형식적으로, 시퀀스 길이가 증가함에 따라 시간적으로 풀링된 모든 표현이 정상 상태의 기록 조건으로 수렴함을 증명한다. 결과적으로 윈도우가 커질수록, 어떠한 손실 함수나 임베딩 기하를 선택하더라도 풀링된 특징만으로는 쌍둥이 사건을 구별할 수 없다. 대신 우리는 물리적 사건이 사건 간극(event gap), 즉 풀링으로 지워지며 풀링되지 않은 궤적을 따라서만 누적되는 모달리티 간의 순간적이고 동기적인 공동 변동에 의해 고유하게 식별됨을 보인다. 이 신호를 복원하기 위해 각 모달리티의 시간 평균을 제거하여 프레임 수준의 교차 모달 일치도를 점수화하는 경량 플러그인 모듈인 CounterPoint를 도입한다. 네 가지 최신(SOTA) 멀티모달 정렬기에 통합했을 때, CounterPoint는 표현을 거친 조건 매칭에서 세밀한 물리적 사건 정렬로 전환시키며, 기존 시간 정렬 방법들을 일관되게 능가한다.

arXiv:2611.24242v1eess.IV

혼합 그래프 필터링을 통한 이미지 잡음 제거와 보간의 결합

Joint Image Denoising and Interpolation via Mixed Graph Filtering

이미지는 흔히 잡음 제거와 보간을 모두 필요로 하지만, 두 작업을 따로 처리하는 것은 최적이 아니다. 보간은 이후의 잡음 제거를 복잡하게 만드는 상관된 잡음을 유발하고, 잡음 제거는 보간에 유용한 이미지 세부 정보를 제거할 수 있기 때문이다. 본 논문에서는 혼합 그래프 필터링 관점에서 이미지 잡음 제거와 보간의 결합을 연구하며, 잡음 제거는 무방향 그래프 필터로, 보간은 방향 그래프 필터로 모델링한다. 먼저 완만한 조건 하에서 모든 (준)선형 잡음 제거기와 보간기가 각각 무방향 및 방향 그래프 평활성 사전 정보로 정규화된 최대 사후 확률(MAP) 추정 문제의 해 필터로 해석될 수 있음을 규명한다. 이 결과에 따라 방향 및 무방향 그래프 구조를 모두 사용하여 그래프 기반 결합 잡음 제거 및 보간 문제를 정식화한다. 결합 잡음 제거/보간이 분리 가능한 파이프라인으로 환원되는 경우와 진정으로 결합된 최적화가 필요한 경우를 특성화한다. 분리 불가능한 경우에는 주어진 잡음 제거기와 보간기로부터 희소 그래프 연산자를 복원하여, 켤레 기울기법으로 풀 수 있는 효율적인 선형 시스템 정식화를 얻는다. 실험 결과, 제안한 결합 프레임워크는 여러 잡음 제거기-보간기 조합에서 분리된 잡음 제거 및 보간 파이프라인을 일관되게 능가한다.

arXiv:2611.24075v1cs.AI

시계열 파운데이션 모델의 반복적 도메인 증분 적응

Recurrent Domain Incremental Adaptation of Time-Series Foundation Models

사전학습된 시계열 파운데이션 모델(TSFM)은 다운스트림 분류 과제에 강력한 표현을 제공한다. 그러나 변화하는 운영 조건에서 TSFM을 적응시키는 일은 여전히 어렵다. 모델은 새로 관측된 조건에서 성능을 높이면서도 이미 학습한 조건의 성능을 희생하지 않아야 하며, 흔히 소량의 레이블된 보정 집합만 주어지고 추론 시에는 운영 조건을 알지 못한다. 본 연구는 이러한 어려움에 중요한 기하학적 구조가 있음을 발견하였다. 운영 조건이 변화하면 TSFM의 임베딩 공간은 균일하게 이동하지 않으며, 일부 국소 영역은 크게 변하는 반면 다른 영역은 거의 변하지 않는다. 따라서 전역 적응은 이미 올바르게 분류된 임베딩까지 불필요하게 이동시킬 수 있다. 이를 해결하기 위해 새로운 방법인 PACT(Piecewise Adaptation via Chart Transport)를 제안한다. PACT는 고정된 소스 임베딩 공간을 국소 차트로 분할하고, 각 새로운 조건의 영향을 받는 영역에 대해 경량의 잔차 수송을 학습한다. 항등 경로는 항상 유지되며, 학습된 게이트가 각 입력에 대해 항등 경로와 누적된 수송 중에서 부드럽게 선택한다. 사전학습된 TSFM 인코더, 분류기 헤드, 이전에 학습된 수송은 고정된다. 도착하는 조건마다 레이블된 보정 데이터 5%만 사용하고 테스트 시 조건 식별 정보가 없는 상황에서, PACT는 네 가지 조건으로 구성된 베어링 결함 스트림 전반에서 평균 macro-F1을 0.95 이상으로 유지한다. 동질적인 과제와 레이블 공간에서는 공개 벤치마크 전반에서도 유사한 유지-적응 양상이 관찰된다. 코드는 https://github.com/Sachithx/PACT 에서 확인할 수 있다.

arXiv:2611.23619v1cs.LG

EEG2MCU: 웨어러블 EEG 추론을 위한 센싱-실행 공동 설계

EEG2MCU: Sensing-to-Execution Co-Design for Wearable EEG Inference

웨어러블 EEG 추론은 모델 크기뿐 아니라, 간결한 후속 연산에 앞서 고차원 입력을 처리해야 하는 채널 의존적 센싱 프런트엔드에 의해서도 제약을 받는다. 우리는 과제 인식 몽타주 선택을 통해 전극 수를 하드웨어 설계 변수로 다루는 센싱-실행 공동 설계 프레임워크인 EEG2MCU를 제시한다. EEG2MCU는 간결한 시간-주파수 표현을 유지하고, 첫 번째 계층의 각 타일에 필요한 INT8 영역만 생성하여 전체 입력의 구체화를 피한다. 헤일로 재사용과 Flash, SRAM, 밀결합 메모리 전반에 걸친 접근 인식 배치는 중복 생성과 데이터 이동을 더욱 줄인다. Cortex-M7 MCU에서 EEG2MCU는 기준선 대비 최대 SRAM을 11.38배 줄이며, 여기에는 62개에서 19개 전극 몽타주로의 축소에서 오는 1.71배 감소가 포함된다. 동시에 지연 시간을 2.57배, 에너지를 2.48배 줄인다. 전체 몽타주 정확도의 94~96%를 유지하여, 엄격한 임베디드 자원 제약 하에서 고차원 EEG 추론이 실용적으로 가능함을 보여준다.

arXiv:2609.39167v2eess.SP

심층 학습 기반 3중 하이브리드 다중 사용자 MIMO 프리코딩: 전자기적 재구성 가능 안테나의 이점

Deep Learning-Based Tri-Hybrid Multi-User MIMO Precoding: The Blessing of EM-Reconfigurable Antennas

전자기(EM) 재구성 가능 안테나는 소자마다 여러 후보 방사 패턴을 제공하여 추가적인 EM 영역 자유도를 도입한다. EM 영역 프리코딩으로 구현되는 방사 패턴 재구성 기능을 기존의 하이브리드 아날로그-디지털 프리코딩과 통합하면 트라이-하이브리드 다중 입출력(MIMO) 프리코딩이 되며, 이는 광대역 다중 사용자 MIMO 직교 주파수 분할 다중화(OFDM) 시스템의 주파수 효율을 크게 향상시킬 수 있다. 그러나 EM, 아날로그, 디지털 프리코딩의 공동 설계는 여전히 어렵다. 이를 해결하기 위해 본 연구는 합성곱 신경망의 국소 모델링 강점과 트랜스포머의 전역 의존성 모델링을 결합한 신흥 신경망 구조인 Conformer에 기반한 트라이-하이브리드 프리코딩 네트워크(Tri-PNet)를 제안한다. 나아가 두 가지 대표적인 방사 패턴 모드, 즉 비정규 모드와 3GPP(3rd Generation Partnership Project) 기술 보고서(TR) 38.901 모드를 조사한다. Tri-PNet은 평균 합 주파수 효율을 최대화하여 EM, 아날로그, 디지털 프리코딩을 공동으로 학습하도록 비지도 방식으로 훈련된다. 방사 패턴 선택 네트워크(RPSNet)는 Conformer 인코더를 사용하여 국소 및 전역 주파수 영역 상관관계를 모두 포착하며, 하이브리드 아날로그-디지털 프리코딩 네트워크(HPNet)는 교차 어텐션과 이중 경로 처리를 특이값 분해(SVD) 및 영점 강제(ZF) 사전 정보와 결합한다. 두 방사 패턴 모드 모두에서의 시뮬레이션 결과, Tri-PNet은 무작위 EM 프리코딩과 EM 프리코딩이 없는 기존 하이브리드 MIMO를 능가하고, 온라인 복잡도를 크게 낮추면서도 탐욕적 EM 프리코딩 탐색 기법에 근접하며, 불완전한 채널 상태 정보(CSI)에서도 강건함을 보인다.

arXiv:2606.28778v2cs.IT

재밍에 강인한 OFDM 수신기를 위한 브라운 브리지 확산 보조 결합 채널 추정 및 데이터 검출

Brownian Bridge Diffusion-Assisted Joint Channel Estimation and Data Detection for Jamming-Resilient OFDM Receivers

차세대 무선 네트워크에서는 기기 밀도가 증가하고 스펙트럼 자원이 제한되어, 무선 전자기 환경에서 취약한 합법적 통신 링크에 심각한 재밍 문제가 발생한다. 특히 재밍이 시간 및 주파수 영역 모두에서 파일럿 심볼과 데이터 심볼에 겹치면 수신기 측의 결합 추정과 검출에 심각한 병목이 생긴다. 기존 방식은 이러한 재밍 오염에 대응할 효과적인 프레임워크가 부족하여 신뢰할 수 있는 전송을 보장하지 못하는 경우가 많다. 이 문제를 해결하기 위해 재밍에 강인한 직교 주파수 분할 다중화(OFDM) 수신기를 위한 브라운 브리지 확산 보조 결합 채널 추정 및 데이터 검출(BBD-JCED) 프레임워크를 제안한다. 제안 프레임워크는 재밍 억제 모듈과 브라운 브리지 결합 복원 모듈로 구성된다. 전자는 단시간 푸리에 변환(STFT) 영역에서 재밍에 오염된 빈을 식별하고 스펙트럼 노칭을 통해 지배적인 재밍 성분을 억제한다. 후자는 브라운 브리지 기반 확률 그래프를 구성하여 억제된 OFDM 관측에서 부호화된 비트로의 확률적 전이 과정을 모델링하고, 역방향 복원 과정을 수행하여 향상된 결합 채널 추정 및 데이터 검출을 가능하게 한다. 또한 다루기 어려운 비트 추정 문제를 다루기 쉬운 학습 목적 함수로 재구성하는 변분 하한(VLB)을 유도하여 손실 함수 설계의 확률적 토대를 제공한다. 나아가 재밍 억제 모듈과 브라운 브리지 결합 복원 모듈을 개별적으로 최적화하기 위한 2단계 학습 알고리즘을 개발한다. 대표적인 재밍 유형에 대한 시뮬레이션 결과, 제안 프레임워크는 경쟁력 있는 추론 복잡도를 유지하면서도 고려한 기준 방식보다 우수한 재밍 억제 및 비트 복원 성능을 달성함을 보여 준다.

arXiv:2606.26567v2eess.SP

대규모 MIMO를 위한 멀티모달 환경 인지 빔 관리: 기하학 기반 가상 기지국 프레임워크

Multi-Modal Environment-Aware Beam Management for Massive MIMO: A Geometry-Driven Virtual Base Station Framework

고주파 대규모 다중 입출력(MIMO) 시스템은 초고속 데이터 전송률을 약속한다. 그러나 과도한 빔 훈련 오버헤드와 다중 사용자 MIMO(MU-MIMO) 시나리오에서 요구되는 복잡한 조정으로 인해 효율적인 빔 관리는 여전히 어렵다. 이러한 병목을 해결하기 위해, 환경 인식 통신이 유망한 패러다임으로 부상했으며, 이는 특정 지역에 관한 지식을 활용하여 파일럿 기반의 전수 빔 훈련을 피하고 다중 사용자 통신을 간소화한다. 본 논문은 다중 모달 환경 데이터, 구체적으로 지역 3D 라이다(LiDAR) 점군과 위치 정보를 활용하여 오프라인 가상 기지국(VBS) 데이터베이스를 구축하는 기하 기반 프레임워크를 제안한다. 점군으로부터 복원한 건물 외벽에 대한 거울 대칭을 통해 지배적인 반사 경로를 모델링함으로써, VBS 데이터베이스는 무선 전파 환경에 대한 간결하고 희소한 기술을 제공한다. 사용자 위치가 주어지면 VBS 표현은 온라인 조대 채널 복원과 빔 공간 사전 분포의 생성을 지원한다. 조대 추정치를 정제하기 위해 제한된 온라인 측정으로 VBS 보조 직교 파일럿(VOP) 기반 부분 빔 훈련 방식을 설계한다. 마지막으로 사용자 간 간섭 하에서 빔 선택을 조정하기 위해 협조적 빔 선택을 위한 계층적 이중 에이전트 듀얼링 더블 심층 Q-네트워크(DD3QN-CBS)를 개발한다. 시뮬레이션 결과, 제안 프레임워크는 평가한 확률적, 휴리스틱, 기존 학습 기반 기준 방식보다 유효 스펙트럼 효율을 향상시키면서 더 적은 온라인 빔 측정으로 경쟁력 있는 성능을 달성함을 보여 준다.

arXiv:2512.15729v3eess.SP

TinyMyo: 엣지에서의 유연한 EMG 신호 처리를 위한 초소형 파운데이션 모델

TinyMyo: a Tiny Foundation Model for Flexible EMG Signal Processing at the Edge

목적: 표면 근전도(EMG)는 생체역학, 재활, 의수·의족 제어, 인간-기계 인터페이스 분야에서 널리 사용된다. 피험자, 측정 시스템, 획득 프로토콜 간의 일반화는 여전히 어려운 과제이다. 기존 EMG 파운데이션 모델(FM)은 다양한 하위 작업과 저전력 기기에서의 배포에 대한 지원이 제한적이다. 방법: 본 연구에서는 공개 EMG 데이터셋을 이용해 자기지도 마스크 복원 방식으로 사전학습한 360만 파라미터 규모의 Transformer 인코더 TinyMyo를 소개한다. TinyMyo는 작업별 예측 헤드를 최소한만 변경하여 여러 작업을 지원한다. 결과: TinyMyo를 손동작 분류, 손 운동학 회귀, 발화 생성, 음성 인식에 대해 평가하였다. 손동작 분류에서 TinyMyo는 기존에 보고된 EMG FM보다 우수한 성능을 보여, NinaPro DB5에서 87.98%, UCI-EMG에서 97.1%, EPN-612에서 96.6%의 정확도를 달성하였다. 초저전력 마이크로컨트롤러인 GAP9에서 TinyMyo는 추론 시간 0.785초를 기록했으며, 평균 전력 57.18 mW에서 추론당 44.91 mJ을 소비하였다. 190만 파라미터 변형 모델은 5초 및 1초 입력 윈도우를 각각 0.496초와 0.089초에 처리하였다. 결론: TinyMyo는 소형 자기지도 EMG 인코더가 여러 하위 작업을 지원하면서 저전력 마이크로컨트롤러에서 동작할 수 있음을 보여준다. 의의: 우리가 아는 한, 이는 EMG FM을 초저전력 마이크로컨트롤러에 배포한 최초의 사례이며, 온디바이스 운동 의도 해독, 신경근 평가, 인간-기계 상호작용으로 나아가는 길을 연다.

arXiv:2611.23205v1cs.LG

노트북 내장 GPU에서 SFT와 QLoRA로 Gemma 4 엣지 모델의 MATLAB 신호 처리 코드 생성 능력 미세조정

Fine-Tuning Gemma 4 Edge Models for MATLAB Signal-Processing Code with SFT and QLoRA on a Laptop iGPU

노트북에서 실행되는 소형 언어 모델은 오프라인에서 신호 처리 코드를 작성하는 데 유용할 수 있지만, 디지털 신호 처리(DSP) 규약에서 반복적으로 오류를 낸다. MATLAB 신호 처리 하위 과제 11개를 포괄하는 검증된 예시 66개로 Gemma 4 엣지 모델 E2B와 E4B를 지도 미세조정(SFT)했다. 노트북 내장 GPU(iGPU)에서 저랭크 적응(LoRA)과 양자화 LoRA(QLoRA)를 사용했으며, 8비트 정수(int8) 모델을 어댑터와 함께 OpenVINO로 배포했다. 따로 보관한 변형 문제를 결정론적 검사기로 평가한 결과, E2B의 통과 건수는 66건 중 18건에서 LoRA와 QLoRA 모두 37건으로 늘었다. E4B의 경우 QLoRA로 66건 중 32건에서 47건으로 늘었다. 실패한 프로그램 159개를 모두 검토한 결과, 어댑터는 지연의 부호, 단위, 배열 형상 같은 규약 오류는 대부분 없앴지만, 신호와 잡음을 구성하는 오류는 거의 줄이지 못했다. 추론 시 어댑터를 적용하면 생성 속도가 17~19% 감소했다.

arXiv:2611.22812v1cs.AI

플러그인형 부대역 분리 융합과 비레이블 수신 데이터의 프로토타입 보정: 도메인 간 IoT 무선 주파수 지문 식별에서 고SNR 널 부반송파 재성장과 저SNR 코히어런트 프리앰블 결합

Pluggable Subband-Decoupled Fusion and Unlabeled Capture Prototype Calibration: Bridging High-SNR Null-Subcarrier Regrowth and Low-SNR Coherent Preambles for Cross-Domain IoT RF Fingerprinting

엣지 무선 액세스 포인트(AP)에서 추가 비용 없이 물리 계층 인증을 수행하면 자원이 제한된 사물인터넷(IoT) 송수신기를 인증 정보 복제로부터 보호할 수 있다. 그러나 IEEE 802.11a/g의 도메인 간 무선 주파수 지문 식별(RFFI)에서는 신호 대 잡음비(SNR)에 따라 유리한 신호가 뚜렷하게 바뀐다. 전력 증폭기로 인해 비어 있는 널 부반송파에 나타나는 스펙트럼 재성장은 높은 SNR에서 실내 다중 경로의 영향을 견디지만 열잡음 바닥 아래에서는 이차적으로 약해진다. 신호가 실린 대역 내 활성 프리앰블은 낮은 SNR에서도 검출되지만 심한 다중 경로에서 성능이 떨어진다. 두 신호를 고정 방식으로 융합하면 성능이 최대 44.7%포인트 떨어진다. 우리가 아는 한 처음으로, 사전 정보 없이 물리적 SNR을 추정하는 게이트로 대역 내 활성 파형과 빈 널 부반송파의 재성장 신호를 동적으로 조절하는 RFFI 프레임워크를 제안한다. 플러그인형 게이트 기반 부대역 분리 융합과 비레이블 수신 데이터 기반 프로토타입 보정(GSDF-CAPC)이다. GSDF는 공동 학습에서 발생하는 20~35dB의 부대역 그래디언트 불균형을 피하고자, 동결된 사전학습 호스트 백본에 매개변수 4만 6,300개의 널 부반송파 플러그인 인코더(NS-Branch)를 연결한다. 원천 도메인에서 보정한 지연 64의 열잡음 SNR 게이트로 스케일을 표준화한 로짓과 게이트로 변환한 구면 임베딩을 융합한다. 낮은 SNR에서는 호스트의 결과로 정확히 되돌아간다. 대상 AP의 비레이블 수신 데이터에서는 순전파만 수행하는 비균형 최적 수송 보정(UOT-CAPC)이 패킷 도착 편향으로 이동한 프로토타입을 정렬한다. 패킷이 고르게 분배되면 매개변수가 필요 없는 균형 싱크혼 방식(U-CAPC)과 일치한다. DataPort-WiFi, WiSig, ORBIT MobRFFI에서 재학습하지 않은 GSDF는 백본 여덟 개의 짝지은 실행 72회 모두에서 우세했으며, 낮은 SNR에서의 성능 손실은 0.00%포인트였다. 엣지용 IB-Host + GSDF(활성 매개변수 9만 2,600~9만 3,300개, 단일 코어 CPU 지연 1.82ms)와 타이밍을 동기화한 GSDF-STO 및 GSDF-Tri의 세 벤치마크 매크로 F1은 57.50~65.05%였다. 패킷 5~10개로 이루어진 IoT 버스트에서는 89.04~100.00%였다.

arXiv:2611.22548v1eess.SP

가우스 및 $\alpha$-안정 MIMO 채널에서 신호·채널 공동 추정을 위한 시간 확산 모델

Temporal Diffusion Models for Joint Signal-Channel Estimation under Gaussian and $\alpha$-Stable MIMO Channels

확산 모델은 복잡한 데이터 분포를 학습하고 역문제를 푸는 데 쓰인다. 그러나 대부분은 꼬리가 두꺼운 데이터를 정확히 표현하지 못하는 가우스 분포에 의존한다. 가우스 및 대칭 $\alpha$-안정 페이딩 채널에서의 확산 기반 복원을 연구하고, 채널에 시간 의존성이 있을 때 이를 활용하는 이점도 살펴본다. 다중 입력 다중 출력(MIMO) 시스템에서 파일럿 신호를 이용한 채널 단독 추정과 이미지·채널 공동 복원을 고려한다. 가우스 분포와 $\alpha$-안정 분포에 대해 여러 표준 확산 모델과 점수 기반 확산 모델을 사용한다. 관측 가능도로 역확산 과정을 유도해 모델을 개선하고, 학습된 하나의 확산 모델을 재학습 없이 위치·스케일 분포족에 재사용할 수 있음을 보인다. 블라인드 MIMO 복원에서는 이미지와 채널에 별도의 확산 모델을 쓰고 가능도 가이던스로 두 추정치를 결합한다. 각 설정에서 독립 복원과 시간적 복원을 비교한다. 시간적 복원은 이전 관측의 정보를 사용해 추정을 개선한다. 시간에 따라 달라지는 채널 모델에서 시간적 복원은 채널 추정과 복원 이미지의 품질을 모두 높였다. 같은 두꺼운 꼬리 채널 데이터에서는 $\alpha$-안정 확산 사전분포가 가우스 확산 사전분포보다 더 나은 채널 추정과 이미지 복원을 제공했다.

arXiv:2611.22100v1eess.SP

아날로그 RF 연산을 통한 의미 통신: 무선 장치에서 의미를 계산하는 방법

Semantic Communication via Analog RF Computing: When the Radio Computes the Meaning

의미 통신(SC) 시스템은 의미를 담은 연속 잠재 표현을 전송한다. 그러나 자원이 제한된 엣지 장치에서 의미 인코더를 실행하려면 많은 에너지와 메모리가 필요하다. 이를 해결하기 위해 아날로그 RF 연산으로 클라이언트의 RF 수신 프런트엔드에서 의미 인코더를 실행하는 종단 간 의미 통신 프레임워크를 제안한다. 기지국(BS)이 인코더 가중치를 RF 파형으로 방송하면, 각 엣지 장치는 수신기의 수동 믹서를 재사용해 매우 적은 에너지로 의미 잠재 표현을 계산한다. 이 표현은 상향 링크로 전송되고 네트워크에서 과제 추론에 사용된다. 인코더의 여러 층에서 발생하는 아날로그 연산 잡음과 전송된 잠재 표현에 영향을 주는 채널 잡음을 하나의 수학 모델로 표현할 수 있음을 보인다. 과제의 사후분포를 바탕으로 의미 왜곡 평가지표를 정의하고, 이를 클라이언트와 단계별 의미 민감도로 2차 분해하는 식을 유도한다. 이 분해를 사용해 전체 클라이언트 에너지 예산을 클라이언트, 인코더 층 및 상향 링크에 나누는 의미 인식 워터필링 할당의 닫힌 형태 해를 구한다. 의미에 민감한 단계에는 더 엄격한 정확도 목표를 할당한다. 이에 따라 클라이언트별·층별 정확도 요구를 고려하는 방송 빔포밍 문제가 생긴다. 확률적 최적화로 할당을 더 개선하고, 잡음을 고려하는 공유 의미 모델의 다중 과제 학습과 함께 설계한다. MNIST 시뮬레이션에서 전체 클라이언트 에너지가 같을 때 제안한 할당은 균일 정밀도 대비 네트워크 의미 왜곡을 9.2~19.2%, 클라이언트 간 차이를 고려하지 않는 할당 대비 5.1~13.1% 줄였다. 잡음을 고려한 공동 설계는 왜곡을 추가로 46% 줄였다.

arXiv:2611.21781v1eess.SP

재구성을 넘어서: 신뢰할 수 있고 설명 가능한 EEG 아티팩트 제거 평가를 위한 통합 프레임워크

Beyond Reconstruction: A Unified Framework for Trustworthy and Explainable EEG Artifact Removal Evaluation

딥러닝 방법은 EEG 아티팩트 제거에서 강력한 성능을 달성했지만, 평가는 여전히 오차, 상관, 신호 대 잡음비와 같은 재구성 지표가 지배하고 있다. 이러한 지표는 깨끗한 EEG와의 유사성을 평가하지만, 모델이 아티팩트를 효과적으로 억제하는지, 신경 활동을 보존하는지, 신뢰할 만한 설명을 제공하는지는 입증하지 못한다. 이러한 한계를 해결하기 위해 신뢰할 수 있고 설명 가능한 EEG 아티팩트 제거를 위한 3단계 프레임워크 TriX-EEG를 제안한다. 1단계 신호 유효성(SV)은 재구성 품질과 신경 대역 파워 보존을 평가한다. 2단계 제거 충실도(RF)는 아티팩트 오차와 잔여 아티팩트/신경 누출을 통해 제거된 성분을 평가한다. 3단계 설명 신뢰성(ER)은 시간적 정렬, 인과적 관련성, 안정성을 통해 모델 행동을 검토한다. EEGDenoiseNet과 PhysioNet Motion Artifact Contaminated EEG Dataset에서 도출된 세 가지 공개 벤치마크에서 이미 발표된 아홉 가지 신경 잡음 제거 모델로 TriX-EEG를 평가하며, 이는 EOG, EMG, 움직임 아티팩트를 포함한다. 결과는 재구성 지표만으로는 신뢰할 수 있는 잡음 제거 모델 평가에 충분하지 않음을 보여 준다. RF는 오차가 잔여 아티팩트에서 비롯되는지 억제된 신경 활동에서 비롯되는지를 드러내어 이를 보완하고, ER은 설명 행동의 서로 다른 측면을 포착하여, 어느 하나의 요소에 의존하기보다 통합 프레임워크 내에서 세 측면을 함께 평가하는 것을 뒷받침한다. 독립적인 EEG/EOG 데이터셋과 BCI Competition IV-2a 운동 상상 데이터셋에 대한 외부 검증은 데이터셋 변화에서도 전반적으로 일관된 순위를 추가로 보여 준다. 순위가 높은 잡음 제거 모델은 대체로 과제 관련 정보를 더 많이 보존하거나 하위 성능 저하를 더 적게 유발한다. 종합하면 TriX-EEG는 EEG 잡음 제거 모델 평가를 위한 포괄적 기반을 제공하며, 정확할 뿐 아니라 충실하고 설명 가능한 모델을 장려한다.

arXiv:2611.21694v1cs.LG

TIBECG: ECG 파형 공개에서 리드별 인구통계 프라이버시를 위한 시간적 정보 병목

TIBECG: Temporal Information Bottleneck for Lead-Specific Demographic Privacy in ECG Waveform Release

심전도(ECG) 파형을 전송하면 의도한 진단 과제 이상의 인구통계 정보가 노출될 수 있다. 우리는 병원 12유도 기록에서 추출한 개별 리드에 대해 구조적 시간적 정보 병목인 TIBECG를 평가한다. 2,302,337개 매개변수의 처리기는 동일한 9점수 일관성 목적을 유지하면서 잠재 길이를 변화시키며, 보호기 적합에는 연령이나 성별 라벨을 사용하지 않는다. 6,386개 기록, 10개 폴드, 12개 리드, 21개 길이에 걸쳐, 소급적으로 선택된 설정은 각 리드의 원본 macro-F1의 최소 95%를 유지했다. 이들의 더 약한 연령/성별 구간 이득은 모든 리드에서 적격한 최선의 기존 변환을 상회했으며, 중앙값 기준 22.08 퍼센트포인트 차이였다. 구현된 샘플링률 비교는 직접 다운샘플링이 대체로 인구통계 추론을 더 강하게 억제하지만 진단 효용 손실이 더 크며, TIBECG는 효용 보존에 유리함을 보여준다. 선택 안정성 또한 리드에 따라 다르다. 더 낮은 잠재 쿨백-라이블러(KL) 발산은 고정된 길이에서 잔존 성별 누출의 순위를 신뢰성 있게 매기지 못한다. 이러한 결과는 파형 처리에 대한 리드별 평가를 뒷받침하며, 검증된 소비자 배포나 전문가가 읽을 수 있는 복원을 뒷받침하지는 않는다. 파형 입력 진단 분류기가 기기에 배포되지 않고 독점 클라우드 서비스의 일부로 호스팅될 때는 그 점수를 얻기 위해 파형 전송이 필요하다.

arXiv:2611.18507v2cs.LG

소프트맥스 교차 엔트로피 하에서 원뿔 분류 헤드의 점근적 마진과 특징 제한

Asymptotic Margins and Feature Confinement in Conic Classification Heads under Softmax Cross-Entropy

원뿔 함수를 기반으로 한 분류 헤드는 각 클래스에 특징 공간의 유계 영역을 부여하며, 이러한 영역은 보지 못한 클래스의 샘플을 거부하는 데 사용된다. 본 연구는 헤드를 소프트맥스 교차 엔트로피로 학습할 때 이러한 영역이 특징 또한 유계로 유지하는지를 묻는다. 클래스 점수가 선형항과 유클리드 노름을 결합하는 헤드에 대해, 먼저 각 클래스의 영역이 회전 이차곡면으로 유계화되며 그 이심률이 하나의 학습된 비율의 역수임을 보인다. 이어서 각 클래스에 점근적 마진을 부여한다. 이 마진은 해당 클래스 점수의 증가율을 나머지 모든 점수의 증가율과 비교하며, 2차 원뿔 계획법으로 계산할 수 있다. 한 클래스의 손실은 마진이 양수일 때에 한하여 하한(infimum)이 0이며, 이 경우 발산하는 특징을 따라서만 0에 접근한다. 마진이 음수이면 손실은 강제적(coercive)이며 그 최소화 지점은 명시적인 공 안에 놓인다. 소프트맥스는 점수 간 차이에만 의존하므로, 유계 영역을 가진 클래스도 양의 마진을 가질 수 있으며, 따라서 유계 영역이 특징을 제한하지는 않는다. 이 결과는 다면체 원뿔 함수를 포함한 다른 노름으로도 확장된다. CIFAR-10과 CIFAR-100에서 학습된 67개 원뿔 헤드의 1210개 셀 모두가 양의 마진을 가지는 반면, 프로토타입 헤드는 이론이 예측하는 대로 열 개 셀 중 아홉 개를 유계로 유지한다.

arXiv:2611.08879v2cs.CV

GeoJeV: 초고해상도 원격탐사에서 학습 없이 효율적으로 증거를 획득하기 위한 통합 공간 확률

GeoJeV: Unified Spatial Probability for Training-Free Efficient Evidence Acquisition in Ultra-High-Resolution Remote Sensing

초고해상도(UHR) 원격탐사 영상은 풍부한 공간적 세부 정보를 제공하지만 정확하고 효율적인 멀티모달 이해에는 어려움이 있다. 기존의 증거 획득 방법은 관련 영상 영역을 선택적으로 탐색하지만, 중간 탐색 제어를 대체로 생성형 멀티모달 대규모 언어 모델(MLLM)에 의존한다. 그러나 인간 피드백 기반 강화학습(RLHF)은 이러한 모델을 영역 수준의 관련성 판단을 명시적으로 최적화하기보다는 주로 사람이 선호하는 응답에 정렬하며, 반복적인 자기회귀 디코딩은 추가적인 계산 부담을 초래한다. 이러한 한계를 해결하기 위해 본 논문은 증거 획득을 공간 확률 기반 의사결정으로 정식화하는 학습 불필요 방법 GeoJeV를 제안한다. 평가되는 각 영역에서 고정된 JeV 모델은 후보 영역에 대한 확률 분포를 산출한다. 구체적으로 Region Rank는 후보 영역의 우선순위를 정하고, Sparse Branch는 희소 확률 지지를 통해 분기 폭을 적응적으로 결정하며, Depth Gate는 분기 희소성과 분포 집중도에 기반하여 정제 깊이를 제어한다. 공유된 분포를 통해 탐색 우선순위, 분기 폭, 정제 깊이를 조율함으로써 GeoJeV는 RLHF로 정렬된 생성에 대한 의존을 줄이고 중간 디코딩을 제거한다. LRS-GRO, MME-RealWorld-RS, LRS-VQA 실험에서 각각 60.59%, 52.79%, 34.32%의 정확도를 달성한다. 세 벤치마크 전반에서 GeoJeV는 질문당 추가 1.12초만으로 Qwen3-VL-8B의 평균 정확도를 +5.32pp 향상시키며, 최근 방법 대비 7.8배의 추론 속도 향상을 달성한다.

arXiv:2611.03623v3cs.LG

계층적 EEG-텍스트 정렬을 통한 생각 해독

Thought-deciphering via hierarchical EEG-to-text alignment

비침습적 뇌-텍스트 인터페이스는 의사소통 장애가 있는 사람들에게 대안적인 의사소통 경로를 제공한다. 그러나 뇌전도(EEG)로부터의 문장 수준 디코딩은 여전히 어렵다. 본 연구는 거친 수준의 의미 정보와 세밀한 수준의 문장 표현을 점진적으로 디코딩하여 이전에 보지 못한 문장을 검색하는 계층적 EEG-텍스트 정렬 프레임워크를 제안한다. 우리는 개별 문장보다 더 넓은 의미적 맥락이 EEG로부터 더 안정적으로 포착될 수 있다고 가정한다. 이에 따라 EEG 표현을 먼저 관련 문장들의 묶음으로 정의된 의미 클래스로 분류한 뒤, 예측된 클래스 내에서 문장을 검색한다. 2,000개가 넘는 고유 텍스트 샘플에서, 본 접근법은 보지 못한 문장에 대해 평균 top-5 및 top-10 검색 정확도 62.6\% $\pm$ 1.0\%와 83.5\% $\pm$ 1.0\%를 각각 달성하였으며, 이는 의미 분류 없이 EEG와 문장을 직접 정렬한 경우의 0.3\% $\pm$ 0.3\%와 0.5\% $\pm$ 0.2\%에 비해 높다. 정성적 분석은 디코딩 성능이 텍스트 맥락에 크게 의존함을 추가로 보여 준다. 이러한 결과는 계층적 의미 정렬이 문장 수준 EEG-텍스트 디코딩을 발전시킬 잠재력이 있음을 보여 준다.

arXiv:2610.13357v5eess.SP

ECGGuard: 오류 정정 부호를 활용한 심전도 신호의 딥러닝 워터마킹

ECGGuard: Deep Watermarking of Electrocardiogram Signals With Error-Correcting Codes

웨어러블 심전도(ECG) 기록은 자동 판독에 이르기 전에 여러 네트워크와 시스템을 거치므로 환자 메타데이터가 유실되기 쉽다. 디지털 워터마킹은 이 메타데이터를 신호에 삽입할 수 있으나, 기존 방법은 시간 이동에 취약하며 파형 유사도가 높다고 해서 하류 진단이 동일하게 유지되는 것은 아니다. 본 논문은 단일 리드 ECG를 위한 딥러닝 워터마킹 프레임워크인 \rev{ECGGuard}를 제안한다. 완전 합성곱 생성기는 신호 양자화 없이 페이로드를 삽입하고, 검출기는 프레임 단위로 메시지를 복호화하며 워터마크의 존재 여부를 확인한다. 학습 중에는 고정된 부정맥 분류기가 자신의 예측을 바꾸는 변화를 억제하도록 페널티를 부과한다. 높은 비트 정확도가 전체 메시지의 복원을 보장하지 않으므로, 페이로드는 확장 해밍 부호, \rev{검증 데이터로 선택한 채널 순서}, 그리고 소프트 결정 복호화로 보호된다. MIT-BIH 부정맥 데이터베이스에서 \rev{세 번의 학습 실행을 평균했을 때 ECGGuard}는 10~50 샘플의 시간 이동에서도 비트 정확도를 \rev{98\%} 이상으로 유지하는 반면, 변환 영역 기반 기준 방법은 무작위 수준으로 떨어진다. 부호화된 16비트 페이로드는 깨끗한 구간의 \rev{99.95\%}에서 정확히 복원되며\rev{, 시간 이동, 10\% 샘플 삭제 또는 10\% 패킷 손실 조건에서도 96\% 이상}, \rev{처음 보는 피험자에 대해서는 99.1\%}에서 복원된다. \rev{가이드 역할을 하는 분류기에 대해, 진단 손실은 테스트 기록에서 심실 박동 민감도의 하락을 1.6 퍼센트포인트로 제한하고(이를 사용하지 않으면 35.0), 처음 보는 피험자에서는 12.2 포인트로 제한한다(사용하지 않으면 67.0). 독립적으로 학습된 분류기에서는 하락이 10.3 포인트로 커지며, 이 보호 효과는 외부 데이터베이스로는 전이되지 않는다.} \rev{ECGGuard}는 0.56백만 개의 파라미터를 가지며 데스크톱 CPU에서 구간당 약 \rev{19}~ms가 소요된다.

arXiv:2608.25846v2eess.AS

기계학습 기반 기침 모델이 일반화되지 않는 이유: 결핵 선별을 위한 체계적인 교차 데이터셋 평가

Why ML-based cough models do not generalize: a systematic cross-dataset evaluation for tuberculosis screening

기침 음향은 비침습적 결핵(TB) 선별에 유망하지만, 기계학습(ML) 모델이 질병 관련 음향을 포착하는지 아니면 데이터 수집 과정의 인공물을 포착하는지는 아직 해결되지 않았다. 본 연구는 세 개의 독립적인 데이터셋에 걸쳐 고전적 ML 및 딥러닝(DL) 기반 기침 TB 분류기의 데이터셋 간 일반화 성능을 평가하였다. 데이터셋 내부 성능은 중간 수준(ROC-AUC 최대 $0.76 \pm 0.06$)이었음에도 두 파이프라인 모두 일반화에 실패했으며, 외부 성능은 자주 0.6 미만이었고 이는 데이터 자체의 한계 가능성을 시사한다. 또한 오디오 표현이 TB 여부가 아니라 녹음 장치와 데이터셋에 따라 구조화되어 있고, 예측된 TB 확률이 CODA에서 국가 수준의 유병률을 따라가며, 장치 불일치는 전이 성능을 저하시키는 반면 장치가 다양한 학습은 이를 개선함을 관찰하였다. 아울러 임상 변수 기반 기준 모델은 더 일관되게 일반화되었으며(ROC-AUC $0.65-0.71$), 이는 음향의 수집 환경별 변동성이 낮은 일반화의 더 강력한 요인임을 나타낸다. 높은 데이터셋 내부 성능만으로는 충분하지 않다. 기침 기반 TB 모델이 임상적으로 준비되기 위해서는 외부 검증이 필수적이다.