와이파이 기반 환경지능을 위한 최초의 파운데이션 모델 AM‑FM

초록

본 논문은 9.2 백만 개의 라벨링되지 않은 CSI 데이터를 439일간 20종류의 상용 디바이스에서 수집해, 대조학습·마스크 복원·물리 기반 자기상관 예측을 결합한 자체 지도 학습 프레임워크로 사전 학습한 파운데이션 모델 AM‑FM을 제안한다. 적응형 주파수 집계와 상대적 시간 인코딩을 갖춘 인코더는 와이파이 신호의 비국소 주파수 구조와 서브캐리어 품질 이질성을 효과적으로 처리한다. 공개 벤치마크의 9개 다운스트림 과제에 파라미터 효율적인 파인튜닝을 적용했을 때, 기존 task‑specific 모델 대비 라벨링 비용을 크게 절감하면서도 경쟁력 있는 성능을 달성한다.

상세 분석

AM‑FM은 와이파이 CSI라는 특수한 물리 신호를 대상으로 파운데이션 모델 패러다임을 최초로 적용한 점에서 학술적·산업적 의의가 크다. 첫째, 데이터 규모와 다양성이 기존 연구와 비교해 획기적으로 확대되었다. 20종 디바이스, 8개 칩셋 패밀리, 11개 실내 환경, 26명 사용자를 포괄하는 9.2 백만 샘플은 하드웨어·환경 이질성을 충분히 반영한다. 이는 모델이 특정 라우터나 방 구조에 과적합되는 위험을 감소시킨다. 둘째, 자체 지도 학습 목표가 CSI의 물리적 특성을 고려한다. 대조학습은 시간·주파수 변환에 강인한 표현을 유도하고, 마스크 복원은 부분 손실된 서브캐리어 정보를 복구하도록 학습한다. 특히 물리 기반 자기상관(autocorrelation) 예측은 멀티패스 전파에 의해 발생하는 비국소 주파수 상관관계를 모델이 스스로 파악하도록 만든다. 셋째, 아키텍처 설계가 핵심이다. 입력 CSI를 F = N_tx × N_rx × N_sub 차원으로 평탄화한 뒤, 학습 가능한 쿼리(Q)와 크로스‑어텐션을 이용해 10개의 잠재 주파수 채널로 압축한다. 이는 서브캐리어마다 신호 품질이 다름을 반영해 정보량이 높은 채널에 가중치를 부여한다는 의미다. 또한, 상대적 시간 인코딩은 절대 타임스탬프가 아닌 샘플 간 상대적 위치를 강조해 호흡·보행·제스처 등 주기적 패턴을 시간 이동에 강인하게 인식한다. 넷째, 파인튜닝 전략이 효율적이다. 전체 백본을 고정하고 경량 temporal classifier 혹은 bottleneck adapter만 학습함으로써 파라미터 수를 최소화하고, 라벨이 적은 상황에서도 빠른 수렴을 보인다. 마지막으로, 9개의 공개 벤치마크(활동 인식, 제스처, 호흡, 위치 추정 등)에서 평균 30 % 이상의 라벨 절감 효과와 기존 최첨단 대비 동등하거나 우수한 정확도를 기록했다. 이는 파운데이션 모델이 와이파이 기반 환경지능에 실제 적용 가능함을 실증한다. 다만, 현재는 복소수 위상 정보를 amplitude만 사용해 전처리했으며, 위상 잡음 보정 기술이 추가되면 더 정교한 생리 신호(심박수 등) 추출이 가능할 것으로 기대된다. 또한, 실시간 추론 비용과 에너지 효율성에 대한 평가가 부족하므로, 엣지 디바이스 배포 시 최적화가 필요하다.