희소 신호 복구에서 상관관계 활용 다중 측정 벡터 블록 희소성 및 시간 가변 희소성

초록

본 논문은 압축 센싱에서 비제로 원소들의 군집 구조와 군집 내부 상관관계를 동시에 활용하는 새로운 베이지안 프레임워크인 T‑SBL을 제안한다. 다중 측정 벡터(MMV)와 블록 희소성, 그리고 시간에 따라 변하는 희소성 모델에 적용 가능하며, 기존 알고리즘이 사전에 상관 구조를 알아야 하는 한계를 극복한다. 또한 T‑SBL과 그룹 라소, 가중 ℓ₁/ℓ₂ 재가중 알고리즘, 시간 가변 희소성 기법 사이의 수학적 연관성을 밝히고, 성능 향상을 위한 실용적 전략을 제공한다.

상세 분석

본 연구는 압축 센싱(CS) 분야에서 “구조적 희소성”을 활용하는 흐름에 새로운 차원을 추가한다. 기존 CS 이론은 신호가 몇 개의 비제로 계수를 갖는다는 단순한 가정에 머물렀지만, 실제 신호는 종종 클러스터(블록) 형태로 비제로가 몰려 있고, 같은 클러스터 내에서는 높은 상관관계를 보인다. 특히 다중 측정 벡터(MMV) 상황에서는 여러 개의 신호가 동일한 지원(support)을 공유하면서도 각 벡터 간에 상관성이 존재한다. 이러한 복합적인 상관구조를 명시적으로 모델링하지 못하면 복원 정확도가 크게 저하된다.

T‑SBL(Temporal‑Sparse Bayesian Learning)은 이러한 문제를 베이지안 프레임워크 안에서 해결한다. 핵심 아이디어는 각 블록(또는 각 측정 벡터)의 계수를 다변량 정규분포로 가정하고, 그 공분산 행렬을 자동으로 학습하도록 하는 것이다. 구체적으로, 신호 x는 x = Γ z 형태로 표현되며, Γ는 블록별 스케일 파라미터를 담은 대각 행렬, z는 평균이 0이고 공분산 Σ를 갖는 가우시안 벡터이다. Σ는 블록 내부 상관관계를 포착하며, EM(Expectation‑Maximization) 또는 변분 베이지안 방법을 통해 반복적으로 업데이트된다. 이 과정에서 사전 지식 없이도 데이터로부터 상관구조를 추정하므로, 실제 환경에서 요구되는 적응성을 제공한다.

알고리즘적 측면에서 T‑SBL은 기존 그룹 라소(Group Lasso)와의 연결고리를 갖는다. 그룹 라소는 ℓ₂‑norm을 이용해 블록을 전체적으로 억제하지만, 상관관계를 무시한다. T‑SBL은 ℓ₂‑norm에 가중치를 부여하는 형태의 재가중 ℓ₁/ℓ₂ 알고리즘과 수학적으로 동등함을 보이며, 특히 재가중 단계에서 얻어지는 가중치는 블록 공분산의 역행렬에 비례한다. 따라서 T‑SBL은 재가중 알고리즘의 수렴 속도와 복원 정확도를 동시에 개선한다.

시간에 따라 변하는 희소성 모델에 대해서도 T‑SBL은 자연스럽게 확장된다. 시간 축을 추가 차원으로 두고, 각 시간 슬라이스를 하나의 블록으로 취급하면, 시간 연속성을 반영한 공분산 구조를 학습할 수 있다. 이는 기존의 “동적 CS” 기법이 사전에 정의한 전이 행렬에 의존하는 것과 달리, 데이터 기반으로 전이 행렬 자체를 추정한다는 점에서 큰 장점을 가진다.

실험 결과는 세 가지 시나리오(전통적인 MMV, 블록 희소성, 시간 가변 희소성) 모두에서 T‑SBL이 기존 최첨단 알고리즘보다 평균 재구성 오차와 성공률 면에서 우수함을 입증한다. 특히 상관구조가 강하게 존재할 때 그 차이가 두드러지며, 사전 상관 정보를 전혀 제공하지 않아도 자동 학습을 통해 거의 최적에 근접하는 성능을 보인다.

마지막으로 저자는 T‑SBL을 기반으로 한 몇 가지 실용적 개선 전략을 제시한다. 첫째, 공분산 행렬의 차원을 줄이기 위한 저차원 근사(예: Toeplitz 구조 가정)이다. 둘째, 초기값 선택을 위한 사전 스케일링 기법이며, 이는 EM 수렴을 가속한다. 셋째, 대규모 문제에 적용하기 위한 행렬 분해(예: Kronecker 구조 활용)와 병렬 구현 방안을 논의한다. 이러한 전략들은 T‑SBL을 실제 시스템(예: 무선 센서 네트워크, 의료 영상, 레이더 신호 처리)으로 옮길 때 발생할 수 있는 계산 복잡도와 메모리 요구사항을 크게 완화한다.

요약하면, T‑SBL은 블록 내부와 벡터 간 상관관계를 동시에 학습·활용함으로써 구조적 희소성 복원의 새로운 패러다임을 제시한다. 이는 기존 알고리즘이 갖는 사전 지식 의존성을 탈피하고, 다양한 실제 응용 분야에 적용 가능한 유연하고 강력한 프레임워크를 제공한다.