제로샷 지식베이스 리사이징을 통한 속도 적응 디지털 의미통신

초록

본 논문은 VQ‑VAE 기반 디지털 의미통신 시스템에서 전송률을 조절하는 핵심인 지식베이스(KB)의 크기를 재학습 없이 즉시 조정할 수 있는 제로샷 리사이징 방법을 제안한다. 대규모 사전 학습된 KB를 초극좌표(하이퍼볼릭) 공간에 임베딩해 계층적 관계를 드러내고, 최소 신장 트리(MST)를 이용해 마스터 의미 트리를 구축한다. 이후 트리의 말단 노드를 순차적으로 제거함으로써 원하는 크기의 서브 KB를 얻으며, 최종적으로 로그맵을 통해 유클리드 공간으로 복원한다. 실험 결과, 제로샷 리사이징은 별도 학습된 KB와 거의 동일한 복원 품질을 유지하면서 연산·저장 비용을 크게 절감하고, 특히 저전송률 구간에서 기존 방법보다 안정적인 성능을 보인다.

상세 분석

본 연구는 VQ‑VAE 기반 의미통신 시스템에서 KB 크기(K)가 전송률과 복원 품질을 동시에 좌우한다는 근본적인 문제를 인식하고, 이를 해결하기 위한 새로운 프레임워크를 제시한다. 핵심 아이디어는 “하이퍼볼릭 임베딩 → 최소 신장 트리 구축 → 말단 노드 프루닝”이라는 3단계 절차를 통해 대규모 사전 학습된 KB 내부에 존재하는 의미적 계층 구조를 자동으로 추출하고, 이 구조를 기반으로 원하는 크기의 서브 KB를 즉시 생성하는 것이다.

1. 하이퍼볼릭 임베딩: 기존 유클리드 공간에서의 벡터는 의미적 거리와 계층성을 동시에 표현하기에 제한적이다. 저자들은 Poincaré 볼 모델에 지수 맵을 적용해 각 벡터를 원점에서의 거리로 의미적 중요도를 암시하도록 변환한다. 원점에 가까울수록 ‘거시적·기본 개념’, 경계에 가까울수록 ‘미세·특정 개념’으로 매핑된다. 이는 하이퍼볼릭 공간이 트리 구조를 자연스럽게 표현하는 특성을 활용한 것으로, 기존 Euclidean 기반 클러스터링보다 계층적 왜곡을 최소화한다.

2. 최소 신장 트리(MST) 구축: 하이퍼볼릭 거리(아크코시 함수 기반)를 가중치로 사용해 Prim 알고리즘으로 MST를 생성한다. MST는 모든 노드를 최소 총 거리로 연결하므로, 의미적으로 가장 가까운 관계를 반영한 ‘마스터 의미 트리’를 형성한다. 여기서 루트는 원점에 가장 가까운 벡터로 정의되며, 이는 전체 KB에서 가장 일반적인 개념을 의미한다.

3. 말단 노드 프루닝: 원하는 KB 크기 K (< ˆK) 를 얻기 위해 트리의 말단(leaf) 노드를 반복적으로 제거한다. 말단 노드는 트리 구조상 가장 세부적인 개념에 해당하므로, 이를 제거함으로써 기본적인 의미 골격은 보존하면서 크기를 감소시킨다. 프루닝 과정은 결정적이며 O(ˆK) 시간 내에 수행될 수 있어 실시간 적응이 가능하다.

4. 유클리드 복원: 프루닝 후 남은 하이퍼볼릭 벡터 집합을 로그맵을 통해 원래 Euclidean 공간으로 역변환한다. 이렇게 얻어진 서브 KB는 기존 VQ‑VAE 인코더·디코더와 바로 호환된다.

성능 평가: ImageNet 기반 이미지 전송 실험에서, 제로샷 리사이징은 동일 K에 대해 별도 학습된 KB와 거의 차이가 없는 SSIM을 기록했다. 특히 K가 매우 작아 전송률이 낮아지는 구간에서 기존 방법은 ‘재앙적 실패’를 보였으나, 제안 방법은 점진적인 품질 저하를 유지했다. 연산 측면에서는 전체 KB를 한 번만 학습하고, 프루닝만으로 다양한 K를 제공하므로 GPU·메모리 비용이 기존 대비 10배 이상 절감된다.

한계 및 향후 과제: 현재 프루닝 전략은 단순히 말단 노드 제거에 의존한다. 중앙성(예: betweenness)이나 의미적 중요도 점수를 활용한 정교한 프루닝이 더 나은 성능을 제공할 가능성이 있다. 또한, 하이퍼볼릭 임베딩 단계에서 curvature 파라미터를 최적화하거나, 다른 비유클리드 모델(예: 트리 임베딩)과 비교 연구가 필요하다. 마지막으로, 실제 무선 채널 잡음 및 오류 정정 코딩을 포함한 전송 환경에서의 견고성 검증이 향후 과제로 남는다.