📋 한 줄 요약
**[신호처리 / 시계열 모델링]** 학습 가능한 시변 기저함수를 통해 뉴런 상태가 시변 동역학으로 지배되는 시변 상태공간 신경망(time-varying SSM)을 제안하고, 스위칭 동역학 시퀀스에서 시불변 대안 대비 우월함을 입증.
🎯 핵심 기여도
- 시변 시스템 식별과 모델링이라는 신호처리·시스템 식별의 근본 과제를 SSM 기반 신경망으로 직접 다루는 새로운 모델 군 제안.
- 시변 동역학을 기저함수 사전(dictionary)으로 표현하고 각 기저함수가 시간에 따라 서로 다른 방식으로 진화하도록 학습.
- 합성 스위칭 시스템 데이터와 실제 오디오에 스위칭 동역학 잡음을 부가한 음성 잡음제거 태스크 양쪽에서 검증.
- 시불변 모델이 반드시 포착해야 하는 시변 동역학 측면, 모델 구성 요소에 시변 자유도를 배분하는 방식, 모델 크기와 시불변 한계 보상 관계를 정량적으로 분석.
💡 핵심 아이디어
스위칭 동역학이 있는 시퀀스는 단일 고정 SSM으로는 본질적으로 표현이 어렵다. 시변 기저함수의 사전을 학습하면, 다양한 시간 영역에서 활성화되는 동역학을 분해 표현할 수 있어 표현력은 늘리되 계산 복잡도는 유사하게 유지할 수 있다.
🔬 기술적 접근법
- **모델/방법론**: 뉴런 상태가 시변 동역학에 따라 진화하는 SSM 기반 신경망. 시변 동역학은 시간에 따라 서로 다른 방식으로 진화하는 기저함수 사전의 가중 결합으로 표현.
- **핵심 기법**: 학습 가능한 시변 기저함수 사전, 시불변 대비 비교 가능한 계산 복잡도 유지, 모델 구성 요소별 시변 자유도 배분 분석.
📊 주요 결과
- 합성 스위칭 시스템 데이터에서 시불변 대안을 일관되게 능가.
- 실제 오디오에 스위칭 잡음을 부가한 음성 잡음제거에서도 성능 우위 확인.
- 시불변 모델이 시변 동역학을 어디서 어떻게 포착해야 하는지, 시변 자유도 배분이 어떤 구성 요소에 더 가치 있는지에 관한 정량 분석 제공.
💭 의의 및 한계
**의의**: 시변 시스템에 대한 신경 SSM 설계 원칙을 명확히 정립하고, 계산 복잡도를 유지하면서 표현력을 확장하는 실용적 방향성을 제시. **한계**: 기저함수 사전 크기·형태가 도메인 의존적일 수 있고, 매우 빠르거나 비주기적인 스위칭 환경에서의 일반화 성능은 추가 검증 필요.
🚀 실용적 활용
- 음성 향상·잡음제거에서 환경 변화 적응형 모델.
- 통신·생체신호처럼 비정상(non-stationary) 특성이 강한 도메인의 시퀀스 모델링.
- 시스템 식별·제어공학에서 모델 기반 강화학습의 상태표현 학습.