다중 스테이션 WiFi CSI 센싱을 위한 결손·라벨 부족 대응 프레임워크

초록

본 논문은 다중 스테이션 Wi‑Fi CSI 센싱에서 발생하는 스테이션별 특징 결손과 라벨 데이터 부족 문제를 동시에 해결하기 위해, 결손에 강인한 자체지도 학습(CroSSL)과 스테이션 마스킹 증강(SMA)을 결합한 프레임워크를 제안한다. 실제 사무실 및 공장 환경에서 수집한 데이터셋을 통해, 사전학습과 데이터 증강을 단독으로 적용했을 때보다 결합 적용했을 때 성능이 크게 향상됨을 입증한다.

상세 분석

이 연구는 두 가지 실용적 제약—스테이션 단위의 장기적인 특징 결손과 라벨 데이터의 희소성—을 동시에 고려한 최초의 CSI 센싱 접근법이라 할 수 있다. 기존 연구들은 각각의 문제에 대해 별도 해결책을 제시했지만, 결손이 존재하는 상황에서 라벨이 충분히 있는 경우 혹은 라벨이 부족한 상황에서 결손이 없다는 전제 하에 설계된 경우가 대부분이었다. 논문은 이러한 가정을 깨고, ‘결손 불변성’을 사전학습 단계부터 내재화한다는 점에서 혁신적이다.

먼저, CroSSL을 다중 스테이션 CSI에 적용하기 위해 각 스테이션을 서로 다른 모달리티(view)로 취급하고, 임의의 스테이션 마스크 패턴을 적용한 두 뷰 사이의 표현 일관성을 학습한다. 이때 마스크는 실제 네트워크에서 발생할 수 있는 장기 결손 패턴을 모사하도록 설계되어, 모델이 “어떤 스테이션이 사라지더라도 핵심 물리적 변화를 포착”하도록 강제한다. 이러한 교차‑모달 대비 학습은 기존 SimCLR‑계열 대비 더 복잡한 시계열 상관관계를 보존하면서도 결손에 대한 내성을 확보한다는 장점이 있다.

두 번째 핵심 기법인 Station-wise Masking Augmentation(SMA)은 라벨이 있는 샘플에 동일한 결손 마스크를 적용해, 다운스트림 학습 단계에서도 결손 상황을 경험하게 만든다. 이는 사전학습에서 학습된 결손‑불변 표현을 실제 태스크에 전이할 때, 라벨이 제한된 상황에서도 과적합을 방지하고 일반화를 촉진한다. 특히, SMA는 단순히 입력을 삭제하는 것이 아니라, 스테이션별 CSI 전체 채널을 마스크함으로써 “스테이션 간 상관관계 손실”을 실제와 동일하게 재현한다.

실험 설계는 두 개의 실제 데이터셋(사무실형, 공장형)과 두 종류의 다운스트림 태스크(예: 사람 위치 추정, 동작 분류)를 사용해, 라벨 비율을 1 %부터 20 %까지 변화시키며 평가하였다. 결과는 (1) 결손‑불변 사전학습만 적용했을 때 라벨이 충분히 있을 경우 성능이 크게 개선되지 않음, (2) SMA만 적용했을 때 라벨이 극히 적을 경우 불안정한 학습이 발생, (3) 두 기법을 결합했을 때는 라벨 비율이 낮아도 기존 최첨단 SSL·DA 방법 대비 평균 8~12 % 이상의 정확도 향상을 보였다. 이는 결손‑불변 표현이 라벨 효율성을 크게 높이고, 실제 네트워크 환경에서의 스테이션 가용성 변동에 대한 견고함을 제공한다는 것을 의미한다.

또한, 논문은 결손 패턴을 사전 정의된 확률 분포가 아닌 실제 측정된 결손 로그를 기반으로 샘플링함으로써, 시뮬레이션 기반 연구에서 흔히 발생하는 “과도한 이상화” 문제를 회피한다. 이는 향후 다른 무선 센싱 도메인(예: mmWave, BLE)에도 동일한 프레임워크를 적용할 수 있는 일반성을 시사한다.

요약하면, 이 연구는 (1) 결손‑불변 자체지도 학습, (2) 결손‑인식 데이터 증강, (3) 실제 환경 기반 평가라는 세 축을 결합해, 다중 스테이션 CSI 센싱의 실용성을 크게 한 단계 끌어올렸다. 향후 연구에서는 결손 패턴의 시계열적 예측과 동적 마스크 스케줄링을 결합하거나, 라벨이 전혀 없는 완전 비지도 상황에서도 성능을 유지할 수 있는 메타‑학습 기법을 탐색할 여지가 있다.