디퓨전 기반 Gibbs 샘플링을 이용한 신호 성분 분해

초록

본 논문은 신호의 선형 혼합 모델에서 각 성분을 베이지안 방식으로 추정하기 위해, 확산 모델을 플러그‑인 프라이어로 활용한 Gibbs 샘플링 알고리즘(DiG)을 제안한다. 모델 기반 분석 프라이어와 데이터 기반 학습 프라이어를 통합할 수 있으며, 각 성분별 프라이어를 독립적으로 학습·조합 가능하다. 완벽히 학습된 확산 모델 가정 하에 샘플러의 사후 일관성을 증명하고, 실제 실험을 통해 기존 방법보다 우수한 성능을 확인한다.

상세 분석

이 논문은 신호 처리 분야에서 흔히 마주하는 “다중 성분의 선형 중첩” 문제를 베이지안 관점에서 접근한다. 기존의 모델‑드리븐 방법은 물리적 제약을 이용해 분석적 프라이어를 설계하지만, 복잡한 실제 신호의 통계적 특성을 충분히 포착하지 못한다. 반면, 최근의 딥러닝 기반 프라이어는 풍부한 데이터에서 복잡한 분포를 학습하지만, 모델‑드리븐 프라이어와의 결합이 어려워 재학습 비용이 크다. 논문은 이러한 딜레마를 해소하기 위해 두 가지 핵심 아이디어를 제시한다. 첫째, 각 성분별 확산 모델을 플러그‑인 프라이어로 사용한다. 확산 모델은 스코어 함수를 신경망으로 근사해 노이즈를 점진적으로 제거하면서 데이터 분포를 샘플링한다. 여기서는 스코어 근사를 통해 분석적 프라이어(예: 가우시안, 라플라시안 등)와 데이터‑드리븐 프라이어를 하나의 네트워크 학습 파이프라인에 결합한다는 ‘하이브리드 프라이어’ 개념을 도입한다. 둘째, Gibbs 샘플링 프레임워크 안에 확산 기반 샘플러를 삽입한다. 전체 후방 분포 p(s₁,…,s_K|y)는 각 성분의 조건부 분포와 선형 관측 모델에 의해 분해될 수 있다. DiG 알고리즘은 매 반복마다 한 성분 s_k를 고정하고, 나머지 성분과 관측값을 이용해 조건부 사후를 정의한 뒤, 해당 조건부 사후를 확산 모델을 사용해 샘플링한다. 이렇게 하면 각 성분의 프라이어를 독립적으로 학습하고, 추론 시에 자유롭게 조합할 수 있다. 이론적으로는 완벽히 학습된 확산 모델을 가정하면 DiG 샘플러가 마코프 체인의 불변분포로서 정확히 목표 후방 분포에 수렴함을 증명한다. 또한, 기존의 단일‑변수 확산 기반 사후 샘플러와 비교했을 때, DiG는 선형 혼합 구조를 명시적으로 활용함으로써 고차원·언더디터미네이션 상황에서도 효율적인 탐색이 가능함을 보인다. 실험에서는 합성 데이터와 실제 심장 신호(운동 유도 간섭 제거) 두 가지 시나리오를 설정했으며, DiG는 적은 학습 데이터만으로도 모델‑드리븐 프라이어와 결합해 높은 복원 품질과 낮은 계산 비용을 달성했다. 전체적으로 이 논문은 베이지안 샘플링, 플러그‑인 프라이어, 확산 모델이라는 세 분야를 자연스럽게 연결함으로써, 복합 신호 분해 문제에 대한 새로운 패러다임을 제시한다.