뇌 소스 영상화에서의 희소 베이지안 추론을 위한 구조 보존 수정 학습
Structure-Preserving Correction Learning for Sparse Bayesian Inference in Brain Source Imaging
M/EEG 뇌 영상화를 위한 고전적인 희소 Type-II 베이지안 방법들은 소스와 노이즈 하이퍼파라미터의 결합 추정을 지원하지만, 고정된 반복 업데이트 규칙에 의존합니다. 이러한 업데이트는 이론적으로 타당하고 해석 가능하지만, 그 동적 특성은 데이터를 통해 적응시킬 수 없습니다. 본 연구에서는 고전적인 결합 하이퍼파라미터 학습 솔버를 원래의 반복 과정을 반영하는 학습 가능한 신경망 아키텍처로 언폴딩(unfolding)하여, 기저 베이지안 구조를 보존하면서 업데이트 메커니즘 자체를 학습하는 방법을 제안합니다. 결과적인 프레임워크는 학습 전에 고전적인 솔버를 정확히 복원하도록 초기화되며, 학습 가능한 편향(bias)부터 적응형 MLP 및 어텐션 기반 맥락적 정제에 이르기까지 점진적으로 더 표현력 있는 수정 학습 메커니즘을 통해 강화됩니다. 이를 통해 학습 과정은 베이지안 추론을 블랙박스 예측기로 대체하는 대신, 원래 업데이트 동적 특성의 해석 가능성과 모델 기반 특성을 유지하면서 구조화된 수정 항을 학습합니다. 따라서 구조화된 수정 학습은 원래의 모델 기반 추론 메커니즘을 대체하지 않으면서 경험적 재구성 성능을 향상시키는 것을 목표로 합니다. 실험 결과, 학습된 수정 변형들은 알고리즘 투명성을 보존하면서 기준선 언폴딩 솔버에 비해 재구성 성능과 수렴 거동을 향상시키는 것으로 나타났습니다.