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 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.