뇌파 디코딩을 위한 정규직교 특징 학습 HFMCA

초록

본 논문은 EEG 신호의 고차원성과 저신호대비(SNR) 문제를 해결하기 위해 계층적 기능 최대 상관(FMCA) 기반의 자기지도 학습 프레임워크 HFMCA를 제안한다. 다중 증강 뷰를 이용해 저수준 특징을 추출하고 이를 결합해 고수준 표현을 만든 뒤, 로그‑determinant 손실을 통해 특징 간 정규직교와 상관성을 동시에 최적화한다. 추가적인 대조 정규화(L_cont)를 포함한 HFMCA++는 표현 붕괴를 방지하고, SEED 감정 인식과 BCIC‑2A 운동 이미지 분류에서 기존 대비 2~3% 이상의 정확도 향상을 달성한다.

상세 분석

HFMCA는 기존 대비 두 가지 핵심 아이디어를 도입한다. 첫째, 다중 증강(view)으로부터 얻은 저수준 특징 집합 S={S₁,…,S_T}를 동일 인코더 f_θ 로 추출하고, 이를 concat 후 별도 프로젝션 헤드 g_ω 로 고수준 표현 Z를 만든다. 이때 S와 Z 사이의 통계적 의존성을 FMCA 이론에 기반한 밀도비 ρ̂ 로 정의하고, ρ̂ 를 RKHS 상의 교차공분산 연산자를 통해 고유값 σ_k와 정규 직교 함수 ϕ_k, ψ_k 로 전개한다. 논문은 이 전개를 이용해 R₁=E