관측 제약으로 보는 BSS 식별성 비가우시안성과 다양성의 통합

1. 서론에서는 BSS의 핵심 과제인 식별성을 기존에는 고차統計(HOS)와 2차統計(SOS) 두 갈래로 나누어 논의해 왔으며, 최근 딥러닝 기반 방법이 등장하면서 이 문제의 구조적 이해가 흐려졌다고 지적한다. 저자는 “관측 메커니즘 자체가 제약을 제공한다”는 관점을 제시하고, 이를 통해 식별성을 알고리즘이 아닌 모델 자체의 속성으로 정의한다. 2. 문제 정의에서는 선형 즉시 혼합 모델 x(t)=Hs(t)를 도입하고, 화이트닝 후 남는 오른쪽 직교 자유도 Q∈O(n) 혹은 U(n)를 명시한다. 또한, BSS에서 불가피한 순열·스케일링(또는 위상 회전)과 같은 유한한 잔여 변환을 식별성의 기준으로 설정한다. 3. 관측 통계와 제약의 관계를 formalize하기 위해 관측 맵 Φ(H)={A_i(H)}_{i∈I}를 정의한다. 여기서 A_i는 고차 누적량, 지연 공분산, 다채널 공분산 등 다양한 통계 연산자를 의미한다. 변환 G가 모든 i에 대해 A_i(HG)=A_i(H)를 만족하면 G는 Φ에 대해 불변이며, 이러한 G들의 집합을 Stab(I)라고 부른다. Stab(I)는 관측으로부터 남는 대칭군이며, 식별성은 이 집합이 유한군(순열·스케일링)만 남는가에 달려 있다. 4. HOS 기반 접근은 소스 측면에서 비가우시안성·독립성을 가정한다. 비가우시안 소스는 고차 누적량이 비제로이며, 이는 A_i(H)와 A_i(HG) 사이에 강한 제약을 만든다. 따라서 비가우시안성이 클수록 Stab(I)의 연속 자유도가 빠르게 축소된다. 5. 반면, multi‑SOS 기반 접근은 관측 측면에서 다양한 지연·채널·조건을 활용한다. 여러 lag에 대한 공분산 행렬이 동시에 동일해야 한다는 제약은 오른쪽 직교 변환 Q가 모든 공분산을 보존하도록 강제한다. 충분히 풍부한 lag와 채널을 사용하면 연속 자유도가 완전히 사라지고, 남는 것은 순열·스케일링뿐이다. 6. 두 접근을 통합하는 “안정자 축소(stabilizer shrinkage)” 개념을 제시한다. 관측 제약이 추가될수록 Stab(I)⊂Stab(I′) 형태로 점점 작아지며, 최종적으로는 유한 잔여군만 남는다. 이 과정은 비가우시안성 강화와 관측 다양성 확대가 서로 대체 가능한 역할을 함을 의미한다. 7. 지역 식별성을 정량화하기 위해 Jacobian 기반 민감도 탐지를 도입한다. Φ의 Jacobian J(H)=∂Φ/∂H를 계산하고, 그 영공간이 바로 Stab(I)와 동형임을 증명한다. 따라서 최소 특잇값이 클수록 관측 제약이 강하고, 작은 변동도 감지되며, 이는 높은 지역 식별성을 의미한다. 8. 실험에서는 (i) 비가우시안 소스의 kurtosis를 조절해 HOS 제약을 강화하고, (ii) lag 수와 채널 수를 늘려 multi‑SOS 제약을 강화한다. 두 경우 모두 Jacobian의 최소 특잇값이 증가하고, 최종 복원된 혼합 행렬이 순열·스케일링 외에는 거의 차이가 없음을 확인한다. 또한, 비가우시안성과 관측 다양성을 동시에 적용하면 최소 특잇값이 급격히 상승해 식별성이 크게 향상됨을 보인다. 9. 부록에서는 Jacobian 정의와 계산 방법을 상세히 제시하고, 관측 제약이 충분히 강하지 않아 Stab(I)가 여전히 연속군을 포함하는 반례들을 정리한다. 이러한 반례는 순수히 비가우시안성만으로는 식별성을 보장할 수 없으며, 관측 다양성 없이도 다중 lag가 충분히 제공되지 않으면 식별성이 실패한다는 점을 강조한다. 10. 결론에서는 관측 메커니즘 자체가 제공하는 제약을 통해 식별성을 구조적으로 이해할 수 있음을 재확인한다. 설계자는 비가우시안성(소스 설계)과 관측 다양성(센서·시간·조건 설계) 중 어느 쪽을 강화할지 선택할 수 있으며, 두 방법은 동일한 “안정자 축소” 효과를 제공한다는 실용적 가이드를 제시한다. 또한, Jacobian 기반 민감도 탐지는 실제 시스템에서 관측 설계가 충분히 식별성을 확보했는지 진단하는 도구로 활용될 수 있음을 강조한다.