센서 독립적 내부 시계열: 비선형 변환에 강인한 신호 구조 분석

논문은 물리 시스템을 관측할 때 사용되는 센서들의 특성(위치, 방향, 감도 등)이 측정값에 혼합되어 원본 신호를 직접 해석하기 어렵다는 점에서 출발한다. 기존의 보정 절차는 시간·공간적으로 제한적이며, 경우에 따라 전혀 적용할 수 없는 상황도 존재한다. 이를 해결하고자 저자는 “내부 시계열(inner time series)”이라는 개념을 제안한다. 내부 시계열은 측정값 x(t) 에 대한 순간적인 가역 변환 f (선형·비선형 모두 포함) 에 무관하게 동일하게 정의되는 스칼라 가중치 w_i(t) 의 집합이다. 구체적인 절차는 다음과 같다. 첫째, 측정값 x(t) 의 시간미분 ẋ(t) 를 구하고, 작은 이웃 x 주변에서 2차 상관 C_{kl}(x)와 4차 상관 C_{klmn}(x) 를 추정한다. 둘째, 행렬 M(x) 를 찾아 M 가 C 를 백색화(단위 행렬)하고, 동시에 M 가 4차 상관을 대각화하도록 만든다. 이는 통계적 독립성을 확보하기 위한 “위치-속도” 정규화 과정에 해당한다. 셋째, M^{-1} 의 열벡터 V^{(i)}(x) 를 로컬 기저벡터(공변 벡터)로 정의하고, 측정 속도 ẋ(t) 를 이 기저벡터들의 가중합으로 전개한다. 여기서 가중치 w_i(t) 는 좌표 변환에 대해 스칼라 불변량이므로, 두 관측자(다른 센서 집합) 모두 동일한 w_i(t) 를 얻게 된다. 다음으로, 시스템이 두 개 이상의 비상호작용 서브시스템으로 구성된 경우를 고려한다. 상태벡터 s 를 두 그룹 s^{(1)}, s^{(2)} 로 나누고, 전체 확률밀도 ρ_S(s,ẋ) 가 두 서브시스템의 밀도의 곱으로 표현된다고 가정한다(통계적 독립성). 이 조건 하에서 M은 블록 대각 형태가 되며, 각 블록에 대응하는 V^{(i)} 는 해당 서브시스템의 상태공간에만 존재한다. 따라서 w_i(t) 는 서브시스템별로 완전히 분리된 집합으로 나타나, 복합 신호에서 개별 서브시스템의 동역학을 직접 추출할 수 있다. 이는 전통적인 블라인드 소스 분리(BSS)와 달리 혼합 함수를 추정할 필요가 없으며, 각 서브시스템의 가중치가 통계적으로 독립임을 보장한다. 실험적 검증은 네 가지 사례로 구성된다. (1) 2차원 회전 운동을 수학적으로 모델링하고, 내부 시계열이 회전 각도와 무관하게 일정함을 확인하였다. (2) 단일 화자의 음성 파형에 대해 원본 파형에 비선형 왜곡을 가한 후에도 동일한 w_i(t) 를 얻어, 센서(마이크) 특성 변화에 강인함을 입증했다. (3) 움직이는 카메라가 촬영한 영상 프레임을 픽셀값 벡터로 취급하고, 카메라 위치·시점 변화에 따른 비선형 변환을 적용했음에도 내부 시계열이 동일하게 유지되어, 영상 기반 움직임 감지에 활용 가능함을 보여주었다. (4) 두 화자의 음성을 혼합한 오디오에 대해, 내부 시계열을 각각 분리함으로써 각 화자의 발화 구간을 독립적으로 검출하였다. 특히, 센서(마이크) 드리프트가 존재하는 경우에도 false negative가 현저히 감소하였다. 논문의 주요 기여는 (i) 측정값의 순간적 가역 변환에 무관한 센서 독립적 표현을 제공하는 수학적 프레임워크, (ii) 복합 시스템에서 서브시스템별 내부 시계열이 자동으로 분리되는 특성, (iii) 기존 보정·BSS 방법보다 구현이 간단하고, 센서 드리프트·비선형 왜곡에 강인한 실용적 적용 가능성이다. 향후 연구에서는 고차원 비선형 시스템, 실시간 구현, 그리고 딥러닝과의 결합을 통한 자동 특성 추출 등에 대한 확장이 기대된다.