네트워크 확산 적응의 불완전 정보 교환 및 비정상 데이터 처리

** 본 연구는 분산 적응 네트워크가 실제 통신 환경에서 마주치는 여러 형태의 정보 교환 불완전성을 고려한 포괄적인 성능 분석을 수행한다. 먼저 서론에서 기존의 증분(incremental) 방식과 비교해 확산(diffusion) 전략이 네트워크 토폴로지에 구애받지 않으며, 실시간 학습·추적에 유리함을 강조한다. 기존 연구들은 주로 가중치 추정 자체에 대한 전송 잡음만을 다루었지만, 본 논문은 회귀 데이터, 측정값, 그리고 중간 변수(φ, ψ)까지 포함한 4가지 잡음원을 동시에 모델링한다. II절에서는 기본적인 선형 회귀 모델 dₖ(i)=uₖ,i w⁰+vₖ(i)와 네트워크 목표인 전역 최소제곱 비용 최소화를 소개한다. 확산 알고리즘은 일반화된 3단계(5)–(7) 형태로 서술되며, 여기서 A₁, A₂, C는 각각 첫 번째 조합, 적응 단계의 가중치, 두 번째 조합을 담당한다. 각 행렬은 비음성 원소와 스토캐스틱(행합이 1) 조건을 만족해야 한다. III절에서는 정보 교환이 잡음에 의해 왜곡되는 과정을 (23)–(26)식으로 구체화한다. 특히 회귀 데이터 uₖ,i가 v^{(u)}_{ℓk,i}와 섞여 전송될 때, 적응 단계에서 사용되는 입력 행렬이 R′ₖ,i=∑_{ℓ∈Nₖ}c_{ℓk} u_{ℓk,i}^* u_{ℓk,i} 로 바뀌며, 이는 평균 업데이트에 편향을 도입한다. 반면 가중치 w와 중간 변수 ψ에 대한 전송 잡음(v^{(w)}, v^{(ψ)})은 평균에 영향을 주지 않지만 공분산에 기여한다. IV절에서는 전체 네트워크 오류 벡터 e_i를 정의하고, 블록 행렬 R_i, R′_i, M, A₁⊗I_M, A₂⊗I_M 등을 이용해 재귀식 (21)을 도출한다. 평균 수렴 조건은 ρ( A₂ᵀ (I−M R′) A₁ᵀ )<1 로, 이는 스텝 사이즈 μ가 충분히 작고 결합 행렬이 스토캐스틱이면 만족된다. 평균‑제곱 안정성은 Lyapunov 방정식 형태로 전이 행렬을 분석해 얻으며, steady‑state MSD는 트레이스 연산을 통해 명시적으로 표현된다. 핵심 결과는 (i) 회귀 데이터에 대한 링크 잡음이 편향을 발생시켜 steady‑state 오차가 0이 되지 않음, (ii) 결합 가중치가 잡음 전파를 조절하므로 최적 설계가 필요함이다. 이를 바탕으로 저자는 평균‑제곱 비용을 최소화하는 최적 가중치 식을 (124), (128)에서 제시하고, 실시간 적응형 업데이트 규칙(예: (130)식)도 도출한다. 특히, 노드별 잡음 분산이 서로 다를 때 메트로폴리스 규칙이나 최대 차수 규칙보다, 각 노드의 잡음 프로파일을 반영한 가중치가 MSD를 크게 감소시킨다. V절에서는 이동형 네트워크 상황을 고려해, 결합 가중치가 시간에 따라 변하는 잡음 프로파일을 추적하도록 설계된 적응형 알고리즘을 제안한다. 이 알고리즘은 각 노드가 주변 잡음 수준을 실시간으로 추정하고, 추정된 값에 기반해 a_{ℓk}를 재조정한다. VI절에서는 20노드 무작위 그래프와 비정상 파라미터 w⁰(t) (예: 랜덤 워크) 를 사용한 시뮬레이션을 제시한다. 시뮬레이션 결과는 (a) 전통적인 고정 가중치(메트로폴리스, 최대 차수) 대비 3~5 dB의 MSD 개선, (b) 제안된 적응형 가중치가 이론적 MSD 곡선과 거의 일치함을 보여준다. 또한, 회귀 데이터 잡음이 클수록 편향이 커지는 현상이 실험적으로 확인된다. 마지막으로 결론에서는 본 연구가 확산 적응 네트워크의 실용적 설계에 기여함을 강조한다. 불완전한 정보 교환과 비정상 데이터 환경에서도 최적·적응형 결합 가중치를 통해 안정적인 추정·추적이 가능함을 입증했으며, 향후 연구로는 비선형 모델, 비가우시안 잡음, 그리고 에너지 제약을 고려한 가중치 설계가 제시될 수 있다. **