고속률 LDPC 코드와 검증 디코딩을 이용한 압축 센싱 성능 분석

1. 서론 압축 센싱(Compressed Sensing, CS)은 실세계 신호가 변환 도메인에서 희소(sparse)하거나 압축 가능(compressible)하다는 가정 하에, 적은 수의 선형 측정만으로 원본 신호를 복원할 수 있음을 보여준다. 기존 연구는 주로 무작위 가우시안 행렬이나 밀집 행렬을 사용하고, 복원 알고리즘으로는 ℓ₁ 최소화, 그리디 탐색, AMP 등 복잡도가 높은 방법을 적용했다. 반면, LDPC(저밀도 패리티 체크) 코드는 희소 행렬 구조와 선형 복잡도의 메시지 전달 디코딩을 제공한다는 점에서 CS와 자연스럽게 연결될 수 있다. 특히, 대규모 알파벳(또는 실수) 위에서 동작하는 검증 디코딩(verification decoding)은 ‘두 독립 랜덤 값이 동일할 확률이 거의 0’이라는 성질을 이용해 오류를 빠르게 제거한다. 본 논문은 이러한 검증 디코딩을 고속률 LDPC 코드에 적용하고, 그 성능을 밀도 진화(DE)와 정지 집합(stopping‑set) 분석을 통해 정량화한다. 2. 배경 및 관련 연구 LDPC 코드는 (j, k)-정규 혹은 불규칙(degree distribution) 형태로 정의되며, 변수 노드와 체크 노드가 각각 j, k개의 엣지를 갖는다. 메시지 전달 디코딩은 변수‑체크 간에 확률 혹은 값 메시지를 교환하며, 그 수렴 특성은 DE를 통해 분석된다. BEC와 q‑SC는 각각 소거와 대칭 오류 모델을 대표한다. 검증 디코딩은 q‑SC에서 제안된 알고리즘으로, 체크 노드가 두 개 이상일 때 동일한 측정값이 나타나면 해당 변수 노드가 정확히 복원된다고 가정한다. 이는 대규모 알파벳에서 ‘값이 일치할 확률’이 거의 0이므로 오류가 거의 발생하지 않는다. 압축 센싱 분야에서는 LDPC 기반 측정 행렬과 메시지 전달 복원 알고리즘이 여러 차례 제안되었으며, 특히 Sudocodes는 (j, k)-정규 LDPC와 포아송 변수 차수를 결합한 구조로, LM2‑NB 검증 디코딩을 사용한다. 그러나 기존 연구는 주로 실험적 성능에 머물렀고, 고속률(코드율 → 1)에서의 정확한 임계값 분석은 부족했다. 3. 주요 기여 (1) BEC와 q‑SC에 대한 고속률 스케일링 법칙을 도출: DE 임계값이 Θ(k⁻¹), 정지 비율이 Θ(k^{-j/(j‑2)})임을 증명. (2) 검증 디코딩을 실수값 측정 행렬에 적용해 압축 센싱에서 ‘상수 오버샘플링 비율’(m = O(p))을 달성함을 보임. (3) 정지 집합 분석을 통해 uniform‑in‑probability 복원 보장을 제공, 이는 DE 기반 무작위 복원보다 강력함. (4) (3, k) 및 (4, k) 정규 LDPC 코드가 BEC에서 81% 용량에 근접하고, δ→0인 희소 신호에 대해 3δn 측정만으로 복원이 가능함을 실험적으로 확인. 4. 이론적 분석 4.1 BEC에서의 DE ( j, k )‑정규 LDPC 코드를 BEC에 적용하면, 한 라운드 후 남은 소거 비율 x_{ℓ+1}= (1‑(1‑x_ℓ)^{k‑1})^{j‑1} 로 재귀식이 정의된다. 고속률( k → ∞, j 고정)에서 첫 번째 항을 테일러 전개하면 x_{ℓ+1} ≈ j·(k‑1)·x_ℓ, 따라서 임계값 ε* ≈ 1/(j·(k‑1)) = Θ(k⁻¹)임을 얻는다. 4.2 정지 집합 스케일링 정지 집합은 소거가 더 이상 진행되지 못하게 하는 변수‑체크 구조이다. 정지 집합의 최소 크는 k^{j/(j‑2)}에 비례한다. 따라서 정지 비율은 Θ(k^{-j/(j‑2)}). 이는 체크 차수가 커질수록 정지 집합이 매우 작아져, 고속률에서도 거의 모든 소거 패턴을 복구할 수 있음을 의미한다. 4.3 q‑SC와 검증 디코딩 q‑SC에서 검증 디코딩은 두 종류의 검증 규칙을 사용한다. (i) 체크 노드 차수가 1이면 해당 변수 노드를 직접 복원, (ii) 두 체크 노드가 동일한 측정값을 공유하면 해당 변수 노드를 복원한다. 대규모 알파벳(q → ∞)에서 두 독립 랜덤 값이 일치할 확률은 1/q → 0이므로, 거짓 검증(false verification, FV)의 발생 확률이 거의 0이다. DE 분석을 적용하면, 오류 확률 p_{ℓ+1}= (k‑1)·p_ℓ·(1‑p_ℓ)^{j‑2} 로 근사되고, 임계값 역시 Θ(k⁻¹)이다. 4.4 압축 센싱으로의 확장 패리티‑체크 행렬 Φ ∈ ℝ^{m×n}을 측정 행렬로 사용한다. Φ의 각 비영 원소는 연속 분포에서 추출된 실수 가중치이며, 이는 ‘거짓 검증’ 확률을 0으로 만든다. 신호 x ∈ ℝ^{n}가 p=δn개의 비영 성분을 갖는 엄격히 희소 신호라면, 검증 디코딩은 다음 과정을 반복한다: (1) 0‑값 체크는 주변 변수들을 0으로 검증, (2) 차수‑1 체크는 해당 변수 값을 직접 복원, (3) 동일 측정값을 공유하는 체크 쌍을 이용해 변수 복원, (4) 복원된 변수의 기여를 측정값에서 차감. 이 과정을 m = C·p (C는 상수) 만큼의 측정으로도 거의 확실히 모든 비영 성분을 복원할 수 있다. 4.5 정지 집합 기반 uniform‑in‑probability 보장 실수 가중치가 연속 분포를 따를 경우, 정지 집합이 존재할 확률은 정밀히 계산된 상한보다 훨씬 작다. 따라서, 임의의 희소 신호에 대해 대부분의 무작위 Φ가 정지 집합을 포함하지 않으며, 검증 디코딩은 모든 오류 패턴을 복원한다. 이는 ‘uniform‑in‑probability’ 복원이라고 부를 수 있다. 5. 실험 및 시뮬레이션 - (3, k) 및 (4, k) 정규 LDPC 코드를 다양한 k(100~500)에서 테스트. - BEC에서 채널 소거 확률 ε가 이론적 임계값 ε*≈1/(j·(k‑1)) 이하일 때 복원 성공률이 99% 이상. - 압축 센싱에서는 δ ∈ {0.01, 0.02, 0.05}에 대해 m = 3·δ·n 측정으로 95% 이상 성공, δ→0일 때 성공률이 99.9%에 수렴. - 기존 LP 복원(ℓ₁ 최소화)와 비교했을 때, 측정 수는 동일하지만 복원 시간은 O(n) 대비 O(n log n) 정도로 현저히 빠름. 6. 논의 및 결론 본 논문은 고속률 LDPC 코드와 검증 디코딩을 결합함으로써 압축 센싱에서 측정 효율성을 크게 향상시킬 수 있음을 이론과 실험으로 입증하였다. 특히, Θ(k⁻¹) 스케일링은 체크 차수가 커질수록 복원 임계값이 급격히 낮아짐을 의미하며, 이는 실수값 측정 행렬을 이용한 ‘무한 정보량’ 가정과 결합해 상수 오버샘플링 비율을 가능하게 한다. 또한 정지 집합 기반 분석을 통해 uniform‑in‑probability 복원 보장을 제공함으로써, 무작위 측정 행렬에 대한 강건성을 확보하였다. 향후 연구는 잡음이 존재하는 실제 CS 환경에서 검증 디코딩을 어떻게 견고하게 만들 것인지, 그리고 비정규(불규칙) LDPC 구조를 최적화해 더 낮은 측정 수를 달성할 수 있는지에 초점을 맞출 필요가 있다.