생성적 의미 HARQ: 잠재공간 텍스트 재전송과 결합

본 논문은 의미 통신(SemCom)에서 텍스트 데이터를 전송할 때 발생하는 의미 손상을 최소화하기 위해, 의미 계층에 특화된 하이브리드 자동 재전송 요청(HARQ) 프레임워크를 제안한다. 핵심 구성 요소는 Transformer 기반 변분 오토인코더(VAE)이며, 이는 확률적 인코더를 통해 동일 문장을 여러 번 인코딩할 때마다 서로 다른 잠재 벡터 z 를 생성한다. 이렇게 생성된 다양한 z 는 ‘증분 지식(Incremental Knowledge, IK)’을 제공해, 별도의 다중 인코더나 추가 비트 레이트 없이도 재전송마다 새로운 정보를 전달한다. 시스템 구조는 전통적인 통신 스택 위에 경량 오버레이 형태로 배치된다. 송신 측에서는 문장을 토큰화·임베딩 후 Transformer 인코더를 거쳐 평균 풀링하고, VAE의 평균 µ와 로그 분산 log σ²를 추정한다. 이후 재파라미터화 기법을 이용해 z = µ + σ⊙ε (ε∼N(0,I))를 샘플링하고, 물리 계층을 통해 전송한다. 수신 측에서는 채널 복호화 후 z̃ 를 받아 디코더에 입력해 문장을 복원한다. 의미 수준의 오류 검출을 위해 6가지 품질 지표를 설계하였다. (A) VAE 불확실성 기반, (B) 인코더 평균 간 코사인·거리 결합 기반 자기 일관성, (C) 다중 디코딩 시 출력 일관성(엔트로피), (D) 잠재 벡터와 평균 µ 간 거리, (E) BLEU‑1 기반 텍스트 일치, (F) Jaccard 유사도이다. 각 지표는 0~1 사이로 정규화돼 q_k 점수를 산출하고, 사전에 정의된 임계값 q_th 보다 낮으면 재전송(NACK)을 트리거한다. 재전송된 K 개의 잠재 벡터는 하나의 ẑ 로 결합된다. 네 가지 결합 전략은 다음과 같다. (A) 소프트맥스 가중 평균(품질 점수에 대한 지수적 가중), (B) 최고 품질만 선택(베스트‑온리), (C) MRC‑Inspired(품질 제곱 가중 평균), (D) 순차적 가중 혼합(현재 결합 결과와 새로운 벡터를 품질 비율에 따라 선형 보간). 모든 방법은 동일 차원의 벡터 연산으로 O(K·D) 복잡도를 유지한다. 실험은 MS‑COCO 캡션 데이터(≈40 k 문장)를 사용했으며, 잠재 차원 D=256, Transformer 6‑layer 인코더·디코더, 12‑head 어텐션 등을 적용했다. 학습 시 SNR을 0~20 dB에서 무작위 샘플링해 잡음에 강인하도록 훈련했으며, 테스트에서는 –5 dB~30 dB까지 확장했다. 두 가지 모델 체크포인트(Codec‑A, Codec‑B)를 이용해 (i) 모델이 동일한 경우(정렬)와 (ii) 비동기 업데이트로 인한 편향 왜곡을 시뮬레이션한 경우를 비교했다. 결과는 다음과 같다. (1) 무작위 잡음만 존재할 때는 모든 결합 방식이 Chase Combining(동일 z 재전송)보다 BLEU와 코사인 유사도에서 2~4 % 향상되었으며, K=3~4에서 가중 평균(A)과 MRC‑Inspired(C)가 최고 성능을 보였다. (2) 편향 왜곡만 있을 경우, 베스트‑온리(B)보다 가중 평균이 더 안정적인 복원을 제공했으며, 다중 재전송이 의미 이동을 효과적으로 보정했다. (3) 품질 트리거 측면에서는 자기 일관성(B)와 텍스트 BLEU(E)가 가장 낮은 오탐률을 기록했으며, 이를 활용하면 평균 재전송 횟수를 30 % 이상 감소시킬 수 있었다. 본 연구는 (a) 확률적 VAE 인코더가 자연스럽게 IK를 제공한다는 점, (b) 의미 수준에서의 품질 추정과 가중 결합이 기존 PHY‑level HARQ와 유사한 원리로 적용 가능하다는 점, (c) 다양한 품질 지표와 결합 전략을 체계적으로 비교·평가함으로써 의미 통신의 신뢰성 향상에 실질적인 설계 가이드를 제공한다는 점에서 의의가 크다. 향후 연구에서는 이미지·음성 등 멀티모달 데이터에 대한 확장, 실제 무선 채널 오류와 결합한 종단‑투‑종단 시뮬레이션, 그리고 동적 모델 업데이트를 고려한 적응형 품질 임계값 설계 등이 기대된다.