비지도 대칭성 발견을 통한 잠재 도메인의 블라인드 복원
Blind Recovery of Latent Domains via Unsupervised Symmetry Discovery
블라인드 역문제(blind inverse problems)의 주요 동기는 난독화 메커니즘을 알지 못한 상태에서 손상된 관측값으로부터 관심 신호를 복원하는 것이다. 손상이 컨볼루션(convolutional)인 경우 블라인드 디컨볼루션(blind deconvolution)이 주요한 접근 방식이지만, 일반적인 선형 변환이 도메인 구조를 난독화하는 경우에는 적용할 수 없다. 본 연구에서는 데이터 분포의 대칭성을 발견하여 잠재 도메인과 신호를 복원하는 비지도 프레임워크를 제안한다. 우리의 프레임워크는 관측값을 잠재 랜덤 필드에서 샘플링된 신호의 선형 측정값으로 모델링하고, 모델 출력에 정상성(stationarity)과 국소성(locality) 정규화를 부과하여 얕은 그룹 컨볼루션 네트워크(shallow group-convolutional network)를 최적화한다. 이 모델은 잠재 대칭 작용과 적절한 필터를 학습하여, 비정형 관측값을 잠재 신호를 드러내는 대칭성 기반 표현으로 매핑한다. 확률적 과정, 이징 모델(Ising models), 셔플된(shuffled) 및 비트 스크램블된(bit-scrambled) 이미지, 그리고 신경 기록(neural recordings)에 대한 실험 결과, 해당 방법이 비정형 관측값으로부터 잠재 도메인과 신호를 복원함을 보여주며, 이는 대칭성 발견이 비지도 구조 학습 및 블라인드 역문제의 새로운 방향이 될 수 있음을 시사한다.