클라우드와 에지 협업 기반 CKM 구축 확장 프레임워크

초록

본 논문은 6G 환경에서 채널 지식 지도(CKM)를 효율적으로 구축하기 위해, 클라우드에서 무라벨 데이터로 학습한 파운데이션 모델을 사전 지식으로 활용하고, 에지 노드에서 로컬 관측과 결합하는 협업 프레임워크를 제안한다. 점진적 학습 비용 감소, 라벨 요구량 최소화, 부정 전이 방지 및 확장성을 입증한다.

상세 분석

이 연구는 CKM 구축 문제를 “관측‑불규칙·노이즈”라는 두 가지 핵심 난제로 정의하고, 기존의 엔드‑투‑엔드 지도학습 방식이 각 작업·디바이스마다 별도 학습이 필요해 비용이 급증한다는 한계를 정확히 짚는다. 저자는 이를 해결하기 위해 (1) CKM의 공간‑스펙트럼 정규성을 사전 지식으로 추출하고, (2) 이 사전 지식을 클라우드에서 한 번만 학습한 파운데이션 모델 형태로 저장한다는 두 축을 제시한다. 파운데이션 모델은 스코어 기반 확산/점진적 확률 흐름(SDE) 구조를 채택해, 무라벨 CKM 데이터의 고차원 분포를 효율적으로 모델링한다. 학습 단계에서는 관측 연산 A(·)를 무시하고 순수한 CKM 샘플을 이용해 스코어 함수를 추정함으로써, “관측‑불변” 사전 확률 p(x)를 획득한다. 추론 단계에서는 에지 노드가 로컬에서 얻은 마스킹, 다운샘플링, 트렁케이션, 양자화 등 다양한 비선형/선형 손상 연산자를 A(·)로 정의하고, 이를 미분 가능한 형태로 구현한다. 이후 역 SDE 샘플링 과정을 통해 p(x|y) ∝ p(x)·p(y|x) 를 근사하고, MAP 혹은 MMSE 목표에 맞춰 최적화한다. 이 과정은 “플러그‑앤‑플레이” 방식으로, 에지에서 별도 재학습 없이 손상 모델만 교체하면 새로운 센서·환경에 즉시 적용 가능하다. 실험에서는 CKMImageNet 데이터셋을 활용해 마스킹 기반 인페인팅, 다운샘플링 기반 초해상도, 트렁케이션·양자화 복원 등 네 가지 시나리오를 평가했으며, 기존 U‑Net·Transformer 기반 지도학습 모델 대비 라벨 필요량을 70 % 이상 절감하면서도 PSNR/SSIM 등 정량 지표에서 경쟁 수준을 유지했다. 특히, 파운데이션 모델을 공유함으로써 여러 에지 노드가 동일한 사전 지식을 활용해 학습 비용을 크게 낮추고, 부정 전이(negative transfer)를 최소화한 점이 주목할 만하다. 전체 프레임워크는 클라우드‑에지 역할을 명확히 구분해, 클라우드는 대규모 데이터 집계·사전 학습, 에지는 저지연 추론·디바이스‑특화 손상 보정에 집중하도록 설계돼 6G 네트워크의 확장성과 실시간 요구를 동시에 만족한다.