뇌파 분류를 위한 상호 가이드 전문가 협업 프레임워크

초록

본 논문은 피험자 간 이질성을 고려한 EEG 분류 문제에서, 도메인 불변 함수와 도메인 특이 함수를 각각 학습하는 ‘공유 전문가’와 ‘라우팅 전문가’를 상호 보완적으로 결합한 Mutual‑Guided Expert Collaboration(MGEC) 모델을 제안한다. 이론적 분석을 통해 두 패러다임의 적용 조건을 정량화하고, 공동 학습 메커니즘이 과도한 일반화와 과소 일반화를 방지함을 보인다. 7개의 공개 EEG 벤치마크에서 기존 최첨단 방법들을 능가하는 성능을 입증한다.

상세 분석

MGEC의 핵심 아이디어는 EEG 데이터가 피험자마다 다른 “분기(branch)” 구조를 가진다고 가정하고, 이를 두 종류의 함수로 분해한다는 점이다. 하나는 모든 피험자에 공통적인 도메인 불변(invariant) 함수 g_c, 다른 하나는 피험자별로 달라지는 도메인 특이(specific) 함수 g_s이다. 논문은 알고리즘 정렬(algorithmic alignment) 개념을 확장해, 네트워크가 g_c에 잘 정렬될 경우 공유 전문가(S)만으로도 충분히 일반화가 가능하고, 반대로 g_s의 복원 비용(reducibility cost)이 클 때는 라우팅 전문가(R)와 라우팅 메커니즘이 필요하다는 정리를 제시한다(정리 2). 여기서 α와 β는 도메인 특이 함수를 불변 함수로 축소하는 비용 비율을 나타내며, α가 크면 라우팅 전문가가, β가 작으면 공유 전문가가 더 효율적이다.

이론적 근거를 바탕으로 MGEC는 세 단계 학습을 수행한다. 첫 단계인 Shared Expert‑Guided Learning에서는 모든 피험자의 데이터를 하나의 공유 네트워크에 통합하고, 시간적 이웃과 공간 마스킹을 이용한 Joint Embedding Loss를 추가해 잠재 공간에서의 불변성을 강화한다. 두 번째 단계인 Routed Expert‑Guided Learning에서는 Mixture‑of‑Experts 구조를 도입해 라우터(R₀)가 입력 특성에 기반해 상위 K개의 전문가에게 가중치를 할당한다. 라우터는 프로토타입 임베딩을 사용해 피험자별 뇌파 패턴을 코드북 형태로 학습하고, 전문가별 라우팅 확률의 엔트로피 최소화(L_SL)와 균형 손실(L_BL)로 전문가 간 활용도를 조절한다.

마지막 Mutual‑Guided Learning 단계에서는 두 네트워크가 서로의 학습 난이도를 평가해 샘플 가중치를 재조정한다. 즉, 한 네트워크가 낮은 손실을 보이는 샘플을 다른 네트워크가 높은 손실을 보이면 해당 샘플에 높은 가중치를 부여해 상호 보완적인 학습을 유도한다. 정리 3은 이 협업 메커니즘이 전체 정렬 오류를 초기값보다 감소시킨다는 것을 보장한다.

실험에서는 7개의 공개 EEG 데이터셋(청각 주의, 운동 이미지, 수면 단계 등)에서 MGEC가 기존 도메인 일반화 방법(예: DANN, CORAL) 및 전문가 앙상블(예: MoE, EnsembleNet)보다 평균 3~5%p 높은 정확도를 기록했다. 특히 피험자 수가 적고 변동성이 큰 데이터셋에서 라우팅 전문가가 크게 기여했으며, 변동성이 낮은 데이터셋에서는 공유 전문가가 주된 역할을 수행했다는 점이 이론과 일치한다.

전체적으로 MGEC는 “도메인 불변 vs 도메인 특이”라는 두 축을 명시적으로 구분하고, 각각에 최적화된 네트워크 구조와 상호 가이드 메커니즘을 설계함으로써 EEG 크로스‑서브젝트 일반화 문제를 체계적으로 해결한다는 점에서 학술적·실용적 의의가 크다.