KNN‑MMD 로컬 분포 정렬 기반 크로스도메인 무선 센싱

초록

본 논문은 Wi‑Fi CSI를 이용한 무선 센싱에서 환경 변화에 따른 도메인 이동 문제를 해결하기 위해, 목표 도메인에서 K‑Nearest Neighbors 로 구성한 “헬프 셋”을 활용해 각 클래스별 로컬 분포를 Maximum Mean Discrepancy(MMD)로 정렬하는 KNN‑MMD 방법을 제안한다. 또한 지원 셋을 검증용으로 사용해 조기 종료 전략을 도입함으로써 학습 안정성을 크게 향상시킨다. 실험 결과, 제안 기법은 제스처 인식, 사람 식별, 낙상 감지, 행동 인식 등 4가지 과제에서 1‑shot 설정 기준 최고 93.26%의 정확도를 달성한다.

상세 분석

본 연구는 무선 센싱, 특히 서브‑7 GHz Wi‑Fi CSI 기반 인간 행동 인식에서 가장 큰 걸림돌인 도메인 이동(domain shift) 문제에 초점을 맞춘다. 기존의 Domain Alignment Learning(DAL) 방식은 소스와 타깃 전체 데이터의 전역 분포를 맞추는 데에 집중하지만, 클래스 간 경계가 왜곡되는 ‘클래스 혼합’ 현상을 야기한다. 저자들은 이를 해결하기 위해 두 가지 핵심 아이디어를 도입한다. 첫째, 타깃 도메인에서 K‑Nearest Neighbors(KNN) 기반으로 고신뢰도 샘플을 추출해 “헬프 셋”을 만든다. 이 헬프 셋은 각 클래스별로 소스 데이터와 짝을 이루어 로컬 MMD 손실을 계산함으로써, 클래스 내부의 분포 정렬을 수행한다. 전역 정렬이 아니라 클래스별 정렬을 함으로써, 서로 다른 클래스가 서로에게 끌려가는 현상을 방지한다. 둘째, 기존 few‑shot 방법들은 지원 셋(support set)을 학습에 포함시켜 검증이 불가능해 조기 종료가 어려웠다. 저자들은 지원 셋을 학습 과정에서 완전히 배제하고, 오직 검증용으로만 사용함으로써 손실 및 정확도 변화를 실시간 모니터링한다. 이 전략은 에포크마다 급격히 변동하던 성능을 평탄화하고, 최적의 학습 시점을 자동으로 찾게 해준다.

기술적인 구현 측면에서, 저자들은 CNN‑BiLSTM 기반의 피처 추출기를 사용하고, MMD 커널은 RBF를 채택해 고차원 CSI 특징 공간에서의 평균 임베딩 차이를 최소화한다. KNN 검색은 타깃 비라벨 데이터 전체에 대해 수행되며, K값은 실험을 통해 57 사이가 최적임을 확인했다. 또한, 헬프 셋과 소스 데이터를 합친 후 미니배치 학습을 진행하면서, 전통적인 교차 엔트로피 손실과 로컬 MMD 손실을 가중합한다. 가중치 λ는 0.10.3 범위에서 튜닝되었으며, 이는 분류 성능과 정렬 강도 사이의 균형을 맞추는 데 중요한 역할을 한다.

실험에서는 공개 Wi‑Gesture 데이터셋과 자체 수집 데이터셋을 활용해 1‑shot, 5‑shot, 10‑shot 시나리오를 모두 검증하였다. 특히 1‑shot 상황에서 제안 방법은 기존 Global Alignment 기반 방법들(예: GFK, MMD 단일 정렬)보다 평균 7~12% 높은 정확도를 기록했으며, 학습 곡선의 변동 폭도 크게 감소하였다. 이는 로컬 정렬이 소수 샘플에서도 충분히 일반화 능력을 확보한다는 것을 의미한다. 또한, 조기 종료 전략 덕분에 전체 학습 epoch 수가 평균 30% 감소해 실시간 적용 가능성도 높아졌다.

한계점으로는 헬프 셋 구성 시 KNN 검색 비용이 타깃 데이터 규모에 따라 선형적으로 증가한다는 점과, 매우 극단적인 환경 변화(예: 전파 차단 물체 삽입)에서는 여전히 성능 저하가 관찰된다는 점을 들 수 있다. 향후 연구에서는 효율적인 근사 KNN(예: FAISS) 적용과, 도메인 불변 피처 학습을 결합한 하이브리드 모델을 탐색할 계획이다.