X‑REFINE: 채널 추정 성능·복잡도·해석성을 동시에 높이는 XAI 기반 구조 최적화

초록

X‑REFINE는 LRP‑ε 규칙을 활용해 서브캐리어와 은닉 뉴런 각각에 대한 고해상도 관련성 점수를 도출한다. 이를 바탕으로 입력 필터링과 네트워크 구조 미세조정을 공동으로 수행해, 복잡도는 크게 낮추면서도 BER 성능을 유지한다는 점이 핵심이다.

상세 요약

본 논문은 6G 무선통신에서 핵심 역할을 하는 채널 추정 문제에 AI‑native 모델을 적용할 때 발생하는 ‘블랙박스’와 높은 연산 복잡도라는 두 가지 난제를 동시에 해결하고자 한다. 기존의 설명가능 인공지능(XAI) 기법 중 특히 입력‑기반 필터링을 제공하는 교란 기반 방법들은 모델 내부 구조를 최적화하지 못한다는 한계가 있다. 이를 보완하기 위해 저자들은 LRP(Layer‑wise Relevance Propagation)의 ε‑규칙을 변형한 ‘분해‑기반, 부호‑안정화 LRP‑ε’ 알고리즘을 제안한다. 이 알고리즘은 순전파 결과를 역전파하면서 각 서브캐리어와 은닉 뉴런에 대한 기여도를 정밀하게 정량화한다.

첫 번째 단계에서는 입력 신호(OFDM 서브캐리어)마다 relevance score를 계산해, 낮은 기여도를 보이는 서브캐리어를 자동으로 마스킹한다. 이렇게 하면 잡음이나 간섭에 민감한 부분이 사전에 제거돼, 학습 데이터의 신호‑대‑잡음비(SNR) 향상 효과가 있다. 두 번째 단계에서는 은닉층의 뉴런별 relevance를 집계해, 전체 모델 구조에서 가장 영향력 있는 뉴런 집합을 식별한다. 이후 저자들은 ‘구조 미세조정’ 과정에서 중요도가 낮은 뉴런을 프루닝하고, 남은 뉴런을 재배치·재학습한다. 이때 프루닝 비율은 relevance 분포에 따라 동적으로 조정되므로, 과도한 손실 없이 모델 파라미터 수를 크게 감소시킬 수 있다.

시뮬레이션에서는 표준 CNN·RNN 기반 채널 추정 모델과 비교했을 때, X‑REFINE 적용 모델이 연산 복잡도(플롭수)에서 평균 45 % 이상 감소하면서도 BER 차이는 0.2 dB 이내로 미미하게 유지되는 것이 확인되었다. 또한 다양한 채널 환경(레일리, 라이스, 3GPP 38.901)과 SNR 구간에서 일관된 성능 우위를 보이며, XAI 기반 해석 가능성을 통해 모델이 실제 물리적 현상(다중 경로, 도플러 효과)에 어떻게 대응하는지 시각화할 수 있다.

핵심 기여는 (1) 고해상도 relevance 점수를 통해 입력과 내부 구조를 동시에 최적화하는 통합 프레임워크, (2) 부호‑안정화 LRP‑ε를 이용해 수치적 안정성을 확보한 역전파 메커니즘, (3) 복잡도·성능·해석성 삼위일체(trade‑off)를 실질적으로 개선한 실험적 증거이다. 이러한 접근은 6G와 같은 초고속·초저지연 통신 시스템에서 AI 모델의 실용성을 크게 높일 것으로 기대된다.