다중 사용자 의미 통신을 위한 연합 잠재 공간 정렬

초록

본 논문은 AP와 다수의 AI‑네이티브 사용자 간의 의미 전송에서 발생하는 잠재 공간 불일치를 해결하기 위해, AP에 공유되는 의미 프리‑이퀄라이저와 각 사용자에 배치되는 로컬 의미 이퀄라이저를 연합 학습(FL) 기반 ADMM으로 공동 최적화하는 프레임워크를 제안한다. 실험은 이미지 분류 과제에 적용해 압축률·전력·복잡도 간 트레이드오프를 검증한다.

상세 분석

이 연구는 전통적인 비트‑레벨 전송이 아닌 의미 레벨에서의 효율성을 목표로 하는 6G 시대의 ‘semantic communication’ 패러다임에 초점을 맞춘다. 핵심 문제는 서로 다른 사전 학습된 DNN을 보유한 다수의 사용자와 AP 사이에 동일한 의미 공간이 존재하지 않아 발생하는 ‘semantic noise’이며, 이는 모델 간 지식 재사용이 제한된 현실적인 상황에서 특히 심각하다. 논문은 이러한 불일치를 완화하기 위해 두 단계의 선형 변환을 도입한다. 첫 번째는 AP에서 고차원 복소수 벡터 x를 K·N_T 차원으로 매핑하는 프리‑이퀄라이저 F(·)이며, 두 번째는 각 사용자 l이 수신 신호를 자신의 목표 차원 m_l 로 복원하는 이퀄라이저 G_l(·)이다. 두 변환 모두 선형 행렬 형태로 가정함으로써 문제를 블록‑컨벡스 구조로 변환하고, 연합 ADMM을 통해 분산 최적화를 수행한다.

ADMM 절차는 크게 네 단계로 나뉜다. (1) 각 사용자는 현재 F와 채널 행렬 H_l을 이용해 G_l을 폐쇄형 해(7)로 업데이트한다. (2) 사용자는 A_l = (G_{l}H_l)^H(G_{l}H_l)와 P_l = (G_{l}H_l)^H Y_l을 AP에 전송한다. (3) AP는 수신된 {A_l, P_l}를 이용해 Sylvester 방정식 형태의 지역 문제(9‑15)를 풀어 F를 갱신한다. (4) 전력 제약 tr(FF^H)≤P_T 를 만족하도록 Z와 라그랑주 승수 U를 각각 투영 및 업데이트한다(16‑18). 이러한 순환을 T번 반복함으로써 전역 최적에 근접한다.

연합 설계는 두 가지 중요한 실용적 이점을 제공한다. 첫째, 사용자 로컬 데이터(잠재 벡터 s_l)는 직접 공유되지 않으며, 전송되는 정보는 행렬 요약(A_l, P_l)만으로 제한돼 프라이버시가 보장된다. 둘째, 프리‑이퀄라이저는 모든 사용자가 공유하므로 전송 파라미터를 중앙에서 일관되게 관리할 수 있어 다중 사용자 브로드캐스트 상황에 적합하다.

실험에서는 CIFAR‑10 이미지 분류를 목표로, 다양한 사전 학습 모델(ViT, EfficientViT, MobileNet 등) 간의 이질성을 고려하였다. 압축 비율 ζ=K·d/2 를 변화시키며 전송 전력 1 W, SNR 20 dB, MIMO 안테나 구성을 (N_T,N_R)=(2,2),(4,4) 등으로 설정했다. 제안 방법은 ‘First‑K’·‘Top‑K’와 같은 기존 차원 선택 기반 베이스라인, 그리고 각 사용자별 독립 프리‑코더를 사용하는 멀티플렉싱 스킴에 비해 동일 압축률에서 3‑5%p 이상의 정확도 향상을 보였다. 특히, 사용자 수가 증가해도 연합 ADMM의 통신 오버헤드가 선형적으로 증가함에도 불구하고, 전체 수렴 속도가 빠르고 전력 제한을 만족하는 점이 강조된다.

이 논문은 (i) 다중 사용자 시나리오에서 의미 공간 정렬을 위한 최초의 연합 최적화 프레임워크, (ii) 선형 이퀄라이저와 ADMM 기반 블록‑컨벡스 해법을 결합해 계산 복잡도를 낮춘 설계, (iii) 프라이버시 보장을 위한 변수 압축 전송 프로토콜을 제시한다는 점에서 학술적·실용적 기여가 크다. 향후 연구는 비선형(딥) 이퀄라이저 도입, 비완전 CSI 상황, 그리고 다른 목표(예: 객체 검출, 강화학습 기반 제어)로의 확장을 통해 의미 통신의 범용성을 확대할 여지가 있다.