연합 학습(Federated learning, FL)은 데이터 프라이버시를 보존하면서 분산된 엣지 디바이스를 통해 협력적으로 모델을 학습할 수 있게 해주지만, 비IID(non-independent and identically distributed) 데이터 분포와 부분적 클라이언트 참여로 인해 발생하는 클라이언트 드리프트로 인해 성능이 흔히 저하된다. 분산된 업데이트들 사이의 방향성 비일관성을 억제하기 위한 원칙적인 메커니즘의 필요성에 동기부여되어, 우리는 Kuramoto 발진기 모델의 위상 동기화 동역학에서 영감을 받은 새로운 FL 알고리즘인 FedKuramoto를 제안한다. FedKuramoto에서 각 클라이언트 업데이트는 전역 업데이트 방향으로부터의 각도 편차로 정의되는 위상을 갖는 발진기로 해석된다. 제안하는 방법은 위상 제약 투영(phase-constrained projection)을 통해 위상 일관성을 강제하며, 추가적인 통신 오버헤드 없이 복원력으로 작용하는 일관성 인지 모멘텀(coherence-aware momentum)을 도입한다. 다양한 벤치마크와 서로 다른 이질성 및 참여 비율 조건에서 수행한 광범위한 실험 결과, FedKuramoto는 기존의 FL 알고리즘에 비해 수렴을 일관되게 가속하고 정확도를 향상시키는 것으로 나타났다. 이러한 결과는 비선형 동역학 시스템에서 동기화 메커니즘을 도입하는 것이 분산 학습을 위한 효과적이고 견고한 설계 패러다임을 제공함을 시사한다.

신경망(NNs)은 분류, 생성, 복원과 같은 데이터 처리 작업을 향상시키는 데 핵심적인 역할을 한다. 이러한 응용에서 중요한 고려 사항은 데이터의 품질을 나타내는 지표인 신호대잡음비(SNR)이다. 본 논문에서는 데이터셋의 모든 샘플을 학습/시험 데이터셋 간의 통계적 유사성에 대해 양자화된 SNR 수준들로 군집화한 경우, 일부 작업에서 신경망을 최적화하는 것이 더 효과적일 수 있다는 가설을 제시한다. 이에 본 논문에서는 희소 신호의 SNR을 추정하기 위한 두 가지 새로운 기법, 즉 1) 단일 샘플을 사용하는 선형대수적 방법과 2) 소수 샘플을 사용하는 신경망 기반 방법을 도입한다. 제안된 기법들은 신호를 행렬 형태로 한켈라이즈(Hankelize)할 때 우세한 특이값들이 신호 공간에 관한 정보를 포함한다는 수학적 사실에 기반한다. 두 알고리즘 모두 93% 이상의 군집 정확도를 달성하였으며, 고 SNR 시나리오와 신호 길이가 증가하는 경우에는 거의 100%의 정확도를 보였다. 또한 이러한 군집 결과를 활용하여 특정 작업에서 신경망을 최적화하는 데 얻을 수 있는 이점을 실용적으로 검증하기 위해 신호 denoising의 예를 제시한다. 제안된 접근법은 기존 방법에 비해 극도로 작은 학습 데이터셋을 요구하면서도 우수한 denoising 성능을 보이며, 이는 신경망의 학습가능성이 향상된 것으로 해석될 수 있다.

본 논문에서는 희소 신호 복원을 위한 새로운 압축센싱(CS) 기법인 압축 기하 순차 센싱(Compressed geometric sequential sensing, CGSS)을 제안한다. 이는 CS에서의 관측 벡터가, 센싱 행렬이 부분 이산 푸리에 변환(DFT) 행렬인 경우 여러 기하 수열의 중첩으로 해석될 수 있다는 사실에서 비롯된다. 본 연구의 핵심 아이디어는, 서로 직교하지 않게 중첩된 기하 수열이 특정한 패턴에 따라 원래의 기하 수열로 정보 손실 없이 분해될 수 있다는 수학적 성질에 기반한다. 이 방법에서는 이상적인 경우(즉, 잡음이 없는 관측) 원래의 길이에 무관하게, K-희소 벡터를 단지 $2K$ 개의 관측으로 완벽하게 복원할 수 있다. 제안한 기법의 강건성을 검증하기 위해, 잡음이 있는 두 환경에서 기존 CS 기법들과 비교하였다. 그 두 환경은 가산 백색 가우시안 잡음(additive white Gaussian noise, AWGN)과 충격성 잡음(impulsive noise)이다. 시뮬레이션 부분에서, AWGN 환경의 경우 적절한 잡음 제거(denoising) 기법을 통해 CGSS의 성능을 향상시킬 수 있음을 보인다. 특히 충격성 잡음 환경에서는, 제안된 기법이 주어진 조건 하에서 희소 신호의 완벽한 복원을 가능하게 한다.

신호처리 분야의 많은 추정 및 재구성 알고리즘은 신호의 개수가 알려져 있다면 그 자체를 개선할 수 있다. 그러나 이러한 사전지식에 대한 가정은 실제 환경에서는 도전적이다. 또한 저지연이 요구되는 시스템에서는 짧은 데이터 획득 시간, 즉 소수의 샘플을 통해 신호의 물리적 파라미터에 관한 정보를 얻을 필요가 있는 경우가 많다. 따라서 소수의 샘플로 신호의 개수를 효과적으로 탐지하는 알고리즘은, 해당 알고리즘들의 전처리기로서 다양한 추정 및 재구성 알고리즘에 큰 도움을 줄 수 있다. 본 논문에서는 효율적으로 설계된 신경망(NN)을 통해 신호의 개수를 탐지하는 새로운 알고리즘인 NsigNet을 소개한다. 제안하는 방법은 샘플링된 신호로부터 재구성한(informative) 행렬의 singular values를 입력으로 하여 NN을 최적화하고, 신호의 개수를 나타내는 one-hot encoding 벡터를 출력하도록 한다. 시뮬레이션 결과는 NsigNet이 다양한 환경에서 기존 기법들보다 우수함을 보여준다. 특히 제안된 방식은 학습 데이터셋의 수와 네트워크 크기가 극도로 작게 필요하다. 마지막으로, 실제 on-/off-grid 문제에서 각각 NsigNet의 이점을 검증하기 위해 (i) compressive sensing을 이용한 희소 신호 복원 및 (ii) 반복 K-truncated singular value decomposition (SVD)에 의한 신호 잡음 제거의 두 가지 응용을 제시한다.

연합 학습(Federated learning, FL)은 데이터 프라이버시를 보존하면서 분산된 엣지 디바이스를 통해 협력적으로 모델을 학습할 수 있게 해주지만, 비IID(non-independent and identically distributed) 데이터 분포와 부분적 클라이언트 참여로 인해 발생하는 클라이언트 드리프트로 인해 성능이 흔히 저하된다. 분산된 업데이트들 사이의 방향성 비일관성을 억제하기 위한 원칙적인 메커니즘의 필요성에 동기부여되어, 우리는 Kuramoto 발진기 모델의 위상 동기화 동역학에서 영감을 받은 새로운 FL 알고리즘인 FedKuramoto를 제안한다. FedKuramoto에서 각 클라이언트 업데이트는 전역 업데이트 방향으로부터의 각도 편차로 정의되는 위상을 갖는 발진기로 해석된다. 제안하는 방법은 위상 제약 투영(phase-constrained projection)을 통해 위상 일관성을 강제하며, 추가적인 통신 오버헤드 없이 복원력으로 작용하는 일관성 인지 모멘텀(coherence-aware momentum)을 도입한다. 다양한 벤치마크와 서로 다른 이질성 및 참여 비율 조건에서 수행한 광범위한 실험 결과, FedKuramoto는 기존의 FL 알고리즘에 비해 수렴을 일관되게 가속하고 정확도를 향상시키는 것으로 나타났다. 이러한 결과는 비선형 동역학 시스템에서 동기화 메커니즘을 도입하는 것이 분산 학습을 위한 효과적이고 견고한 설계 패러다임을 제공함을 시사한다.

신경망(NNs)은 분류, 생성, 복원과 같은 데이터 처리 작업을 향상시키는 데 핵심적인 역할을 한다. 이러한 응용에서 중요한 고려 사항은 데이터의 품질을 나타내는 지표인 신호대잡음비(SNR)이다. 본 논문에서는 데이터셋의 모든 샘플을 학습/시험 데이터셋 간의 통계적 유사성에 대해 양자화된 SNR 수준들로 군집화한 경우, 일부 작업에서 신경망을 최적화하는 것이 더 효과적일 수 있다는 가설을 제시한다. 이에 본 논문에서는 희소 신호의 SNR을 추정하기 위한 두 가지 새로운 기법, 즉 1) 단일 샘플을 사용하는 선형대수적 방법과 2) 소수 샘플을 사용하는 신경망 기반 방법을 도입한다. 제안된 기법들은 신호를 행렬 형태로 한켈라이즈(Hankelize)할 때 우세한 특이값들이 신호 공간에 관한 정보를 포함한다는 수학적 사실에 기반한다. 두 알고리즘 모두 93% 이상의 군집 정확도를 달성하였으며, 고 SNR 시나리오와 신호 길이가 증가하는 경우에는 거의 100%의 정확도를 보였다. 또한 이러한 군집 결과를 활용하여 특정 작업에서 신경망을 최적화하는 데 얻을 수 있는 이점을 실용적으로 검증하기 위해 신호 denoising의 예를 제시한다. 제안된 접근법은 기존 방법에 비해 극도로 작은 학습 데이터셋을 요구하면서도 우수한 denoising 성능을 보이며, 이는 신경망의 학습가능성이 향상된 것으로 해석될 수 있다.

본 논문에서는 희소 신호 복원을 위한 새로운 압축센싱(CS) 기법인 압축 기하 순차 센싱(Compressed geometric sequential sensing, CGSS)을 제안한다. 이는 CS에서의 관측 벡터가, 센싱 행렬이 부분 이산 푸리에 변환(DFT) 행렬인 경우 여러 기하 수열의 중첩으로 해석될 수 있다는 사실에서 비롯된다. 본 연구의 핵심 아이디어는, 서로 직교하지 않게 중첩된 기하 수열이 특정한 패턴에 따라 원래의 기하 수열로 정보 손실 없이 분해될 수 있다는 수학적 성질에 기반한다. 이 방법에서는 이상적인 경우(즉, 잡음이 없는 관측) 원래의 길이에 무관하게, K-희소 벡터를 단지 $2K$ 개의 관측으로 완벽하게 복원할 수 있다. 제안한 기법의 강건성을 검증하기 위해, 잡음이 있는 두 환경에서 기존 CS 기법들과 비교하였다. 그 두 환경은 가산 백색 가우시안 잡음(additive white Gaussian noise, AWGN)과 충격성 잡음(impulsive noise)이다. 시뮬레이션 부분에서, AWGN 환경의 경우 적절한 잡음 제거(denoising) 기법을 통해 CGSS의 성능을 향상시킬 수 있음을 보인다. 특히 충격성 잡음 환경에서는, 제안된 기법이 주어진 조건 하에서 희소 신호의 완벽한 복원을 가능하게 한다.

신호처리 분야의 많은 추정 및 재구성 알고리즘은 신호의 개수가 알려져 있다면 그 자체를 개선할 수 있다. 그러나 이러한 사전지식에 대한 가정은 실제 환경에서는 도전적이다. 또한 저지연이 요구되는 시스템에서는 짧은 데이터 획득 시간, 즉 소수의 샘플을 통해 신호의 물리적 파라미터에 관한 정보를 얻을 필요가 있는 경우가 많다. 따라서 소수의 샘플로 신호의 개수를 효과적으로 탐지하는 알고리즘은, 해당 알고리즘들의 전처리기로서 다양한 추정 및 재구성 알고리즘에 큰 도움을 줄 수 있다. 본 논문에서는 효율적으로 설계된 신경망(NN)을 통해 신호의 개수를 탐지하는 새로운 알고리즘인 NsigNet을 소개한다. 제안하는 방법은 샘플링된 신호로부터 재구성한(informative) 행렬의 singular values를 입력으로 하여 NN을 최적화하고, 신호의 개수를 나타내는 one-hot encoding 벡터를 출력하도록 한다. 시뮬레이션 결과는 NsigNet이 다양한 환경에서 기존 기법들보다 우수함을 보여준다. 특히 제안된 방식은 학습 데이터셋의 수와 네트워크 크기가 극도로 작게 필요하다. 마지막으로, 실제 on-/off-grid 문제에서 각각 NsigNet의 이점을 검증하기 위해 (i) compressive sensing을 이용한 희소 신호 복원 및 (ii) 반복 K-truncated singular value decomposition (SVD)에 의한 신호 잡음 제거의 두 가지 응용을 제시한다.

해상도가 높은 비디오가 보편화되고 모바일 기기의 수가 급격히 증가함에 따라 비디오 트래픽에 대한 수요가 폭발적으로 늘고 있다. 증강현실(AR) 및 가상현실(VR)과 같이 높은 처리량과 낮은 지연을 요구하는 새로운 트래픽 유형도 등장하고 있다. 처리량을 높이고 지연을 낮추기 위한 유망한 기법 중 하나로 멀티 링크 전송과 하이브리드 자동 재전송 요청(HARQ)이 논의되고 있다. 그러나 대부분의 경우 저가형 칩셋을 사용하는 장치에서는 멀티 링크에서 HARQ를 사용하는 데 잠재적인 제한이 있을 수 있다. 본 논문은 상기 제한을 겪는 장치에 대해 마르코프 결정 과정(MDP)으로 문제를 정식화하여 최적 재전송 정책을 결정하는 HARQ 기반 적응 재전송 제어 기법(HARE)을 제안한다. 이를 통해 재전송이 발생했을 때 HARQ를 실행할지 여부를 결정하고 적절한 변조 방식 및 코딩 레이트를 선택할 수 있다. 광범위한 분석을 통해, HARE가 버퍼 점유량이 소량인 조건에서 ARQ 전용 및 HARQ 전용 재전송 방법에 비해 처리량을 크게 향상시킬 수 있음을 확인하였다. 본 기법은 저가형 칩셋을 사용하는 장치에서도 고해상도 비디오와 AR/VR과 같은 새롭고도 다양한 서비스를 즐길 수 있기를 기대한다.

고층 건물이 증가하는 현대 도시 환경에서는 정확한 3차원(3D) 위치추정이 필수적이다. 지문(fingerprint) 기반 위치추정 시스템은 이러한 환경에서 널리 사용되지만, 바닥층별 라디오 맵(radio map)을 구축하기 위해 사전 조사에 상당한 노동이 필요하다. 이에 비해 범위(range) 기반 방법은 앵커 노드(AN) 위치와 현장 특화 거리 측정(ranging) 모델만 요구하므로 수동 노력을 덜 필요로 한다. 그러나 층간 전파에서의 신호 감쇠가 동일 층 전파와 크게 다르기 때문에, 다층 환경에서 이러한 정보를 확보하는 일은 여전히 어렵다. 본 연구는 보행자 사각추정(PDR)을 위한 관성 센서 데이터와 스마트폰이 수집한 수신 신호 세기(RSS) 측정을 통합함으로써, 층 관통 손실을 포함한 현장 특화 경로 손실 파라미터와 3D AN 좌표를 함께 자동으로 추정하는 현장 자동 조사 절차를 제안한다. 실제 건물에서 Wi-Fi 커버리지가 충분하지 않은 문제를 해결하기 위해, Wi-Fi 액세스 포인트(AP)와 Bluetooth Low Energy(BLE) 비콘으로 구성된 이기종 무선 인프라를 고려하며, 이들의 유사한 2.4 GHz 전파 특성을 활용하여 통합 모델링을 수행한다. 실증 측정 연구를 통해 이 AN들로부터 발생한 신호의 층간 경로 손실을 분석하고 비교하였으며, 3D AN 좌표와 경로 손실 파라미터를 함께 추정하기 위한 비용 함수를 수립하였다. 실제 다층 건물에서 수행한 실험 평가 결과, 모든 AN에 대해 평균 절대 위치추정 오차가 2.60 m였고(Wi-Fi AP의 경우 1.02 m), 층 식별 정확도는 100%였다. 추정된 AN 위치와 경로 손실 모델을 사용하면, 온라인 범위 기반 위치추정은 330 m의 궤적에서 2.51 m의 정확도를 달성하며, 현장 특화 경로 손실 모델링을 통해 층간 신호를 효과적으로 활용함으로써 기존 접근법보다 우수한 성능을 보였다.

이 논문은 상시 무선 정보 및 전력 전송(simultaneous wireless information and power transfer, SWIPT)을 거대 다중입출력(giant multiple-input multiple-output, gMIMO) 기술과 통합하는 방안을 상위 중대역 주파수 범위(7–24 GHz)에서 탐구한다. gMIMO가 구현하는 근접장 전파는 6G 무선 네트워크의 요구에 부응하는 에너지 효율적이고 고용량의 통신 시스템을 위한 독특한 기회를 제공한다. 구면파 전파를 활용함으로써, gMIMO를 결합한 근접장 SWIPT는 빔 포커싱과 대규모 공간 다중화를 통해 전력과 데이터를 정밀하게 전달하고, 이에 따라 스펙트럴 효율을 향상시킨다. 이 논문은 고급 채널 추정 기법, 프리코딩 전략, 희소 및 모듈형 배열과 같은 동적 배열 구성 등, 이론적 원리, 설계상의 도전 과제, 그리고 이를 가능하게 하는 해결책을 논의한다. 분석적 통찰과 사례 연구를 통해, 밀집되고 역동적인 환경에서 최적화된 에너지 수확과 데이터 처리율을 달성할 수 있음을 입증한다. 이러한 결과는 에너지 자율형 사물인터넷(Internet-of-Everything, IoE) 구축, 스마트 팩토리 네트워크 및 차세대 무선 기술의 목표와 부합하는 기타 에너지 자율형 응용 분야의 발전에 기여한다.

기존의 동기화 신호 검출 방법은 고정된 문턱값을 사용하는 선형 상관함수 분석에 의존하지만, 실제 무선 통신 시스템의 비선형적 특성을 처리하기에는 불충분하다. 이러한 환경에서는 충분한 상관 정보를 확보하고 검출 강건성을 향상시키기 위해 긴 동기화 신호의 사용이 유익하다. 본 논문은 한켈리제이션(Hankelization) 기반 전처리와 신경망(NN) 연산을 결합한 새로운 프레임워크를 제안한다. 제안 방법은 역푸리에 변환과 한켈 행렬 구성(inverse Fourier transform and Hankel matrix construction)을 통해 특징 추출을 향상시키고, 이후 특이값 분해(singular value decomposition, SVD)를 수행하여 지배적인 신호 특징은 보존하며 잡음 성분은 억제한다. 신경망이 비선형 패턴을 학습할 수 있는 능력을 활용함으로써, 제안 방법은 고정 문턱값의 필요성을 제거하고 강건한 동기화 신호 검출을 달성한다. 시뮬레이션 결과는 다양한 환경에서 기존 방법에 비해 더 높은 정확도를 보이며, 향후 무선 통신 시스템에서의 한켈리제이션 기반 전처리의 가능성을 뒷받침한다.