💻 computer science

Towards Causally Interpretable Wi-Fi CSI-Based Human Activity Recognition with Discrete Latent Compression and LTL Rule Extraction

이 논문은 Wi-Fi CSI 신호를 이산적 잠재 변수로 압축한 뒤 인과 관계를 기반으로 한 선형 시제 논리(LTL) 규칙을 추출함으로써, 블랙박스 모델의 한계를 넘어 해석 가능하고 제어 가능한 인간 활동 인식(HAR) 프레임워크를 제안합니다.

원저자: Luca Cotti, Luca Lavazza, Marco Cominelli, Liying Han, Gaofeng Dong, Francesco Gringoli, Mani B. Srivastava, Trevor Bihl, Erik P. Blasch, Daniel O. Brigham, Kara Combs, Lance M. Kaplan, Federico Cerut

게시일 2026-04-28

📖 2 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Luca Cotti, Luca Lavazza, Marco Cominelli, Liying Han, Gaofeng Dong, Francesco Gringoli, Mani B. Srivastava, Trevor Bihl, Erik P. Blasch, Daniel O. Brigham, Kara Combs, Lance M. Kaplan, Federico Cerutti

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

1. 배경: 기존 기술의 문제점 (검은 상자 문제)

기존의 AI 방식은 마치 **'천재지만 속을 알 수 없는 요리사'**와 같습니다.
Wi-Fi 신호라는 복잡한 재료를 던져주면, 요리사는 순식간에 "이건 '걷기'라는 요리입니다!"라고 내놓습니다. 결과는 정확할지 몰라도, 우리는 요리사가 어떤 재료를 어떻게 섞어서 그런 결론을 냈는지 전혀 알 수 없습니다. 이걸 전문 용어로 **'블랙박스(Black Box)'**라고 부릅니다. 만약 요리사가 실수한다면, 왜 실수했는지 알 길이 없죠.

2. 이 논문의 해결책: "요리 레시피를 글로 써주는 AI"

이 논문이 제안하는 CHARL-TRE 방식은 요리사가 요리를 마친 뒤, 그 과정을 **"설명 가능한 레시피"**로 적어주는 시스템입니다. 과정은 크게 3단계로 나뉩니다.

1단계: 복잡한 신호를 '단어'로 압축하기 (Categorical VAE)

Wi-Fi 신호는 엄청나게 복잡하고 시끄러운 데이터입니다. 이걸 그대로 분석하면 너무 어렵죠. 그래서 연구진은 이 신호를 아주 단순한 **'기호(Symbol)'**들로 압축합니다.

비유: 아주 시끄러운 오케스트라 연주를 듣고, 그걸 "쿵, 짝, 쿵, 짝" 같은 아주 단순한 **'박자 기호'**로 받아적는 것과 같습니다. 복잡한 소리는 사라지고 핵심적인 '리듬'만 남게 됩니다.

2단계: 리듬 사이의 '인과관계' 찾기 (LPCMCI)

이제 압축된 기호들을 보며, 기호들 사이에 어떤 규칙이 있는지 찾아냅니다. 단순히 "기호가 나타났다"가 아니라, **"A라는 기호가 나오고 나서 2초 뒤에 반드시 B라는 기호가 나온다"**는 식의 인과관계를 찾아내는 거죠.

비유: "박수가 '짝' 하고 울리면, 그다음엔 반드시 '쿵' 소리가 온다"라는 리듬의 법칙을 발견하는 과정입니다.

3단계: 규칙을 '문장'으로 만들기 (LTL Rule Extraction)

마지막으로, 찾아낸 리듬의 법칙을 우리가 읽을 수 있는 논리적인 문장으로 바꿉니다. 이것이 바로 **LTL(선형 시제 논리)**입니다.

비유: "만약 '짝' 소리가 들리고 2박자 뒤에 '쿵' 소리가 들린다면, 이것은 '걷기'이다"라는 **명확한 규칙(레시피)**을 완성하는 것입니다.

3. 이 기술이 왜 대단한가요? (장점)

"왜?"라고 물으면 답할 수 있습니다 (해석 가능성):
AI가 "이 사람은 뛰고 있어요"라고 하면, "왜요?"라고 물었을 때 "신호 패턴을 보니 '점프' 기호가 나오고 3초 뒤에 '착지' 기호가 나오는 규칙이 발견되었기 때문입니다"라고 논리적으로 설명해 줍니다.
규칙을 직접 수정할 수 있습니다 (통제 가능성):
만약 AI가 자꾸 '걷기'를 '뛰기'로 착각한다면, 사람이 직접 규칙을 보고 "아, 이 규칙이 너무 느슨하구나" 하고 레시피를 직접 수정할 수 있습니다. 기존 AI처럼 처음부터 다시 학습시킬 필요가 없습니다.
여러 안테나의 의견을 모으기 쉽습니다 (확장성):
여러 개의 Wi-Fi 안테나가 각각 "내 쪽 규칙은 이래!"라고 말하면, 이 규칙들을 마치 퍼즐 조각 맞추듯 논리적으로 합쳐서 더 정확한 판단을 내릴 수 있습니다.

4. 요약하자면

이 논문은 **"복잡한 Wi-Fi 신호를 단순한 기호로 바꾸고 $\rightarrow$ 그 기호들 사이의 인과관계를 찾아 $\rightarrow$ 사람이 읽을 수 있는 논리 규칙으로 변환"**하는 시스템을 만든 것입니다.

결과적으로, 똑똑하면서도(정확도), 속이 훤히 들여다보이고(해석력), 사람이 직접 다룰 수 있는(통제력) 새로운 방식의 인공지능을 제안한 것입니다.

[기술 요약] 이산 잠재 압축 및 LTL 규칙 추출을 이용한 인과적 해석이 가능한 Wi-Fi CSI 기반 인간 행동 인식

1. 문제 정의 (Problem Statement)

Wi-Fi 채널 상태 정보(CSI)를 이용한 인간 행동 인식(HAR)은 장치 없이도 동작을 감지할 수 있는 강력한 기술이지만, 다음과 같은 기술적 난제에 직면해 있습니다.

데이터의 복잡성: CSI 신호는 고차원적이고 노이즈가 많으며 시간적 구조를 가집니다.
해석 가능성 부족 (Black-box 문제): 기존의 딥러닝 모델은 높은 성능을 보이지만, 연속적인 잠재 표현(Continuous Latent Representation)을 사용하기 때문에 내부 동작을 이해하거나 수정하기 어렵습니다.
심볼릭 제어의 어려움: 순수 심볼릭(Symbolic) 접근법은 고차원의 원시(Raw) CSI 신호를 직접 처리하는 데 한계가 있습니다.
결합의 부재: 압축(Compression) 과정과 추론(Reasoning) 과정이 뒤섞여 있거나, 외부의 정해진 특징(Feature)에 의존하는 경우가 많습니다.

2. 제안 방법론 (Methodology: CHARL-TRE)

본 논문은 CHARL-TRE라는 파이프라인을 제안하며, 핵심은 **표현 학습(Representation Learning)과 심볼릭 추론(Symbolic Reasoning)의 엄격한 분리(Decoupling)**에 있습니다.

Step 1: 이산 잠재 표현 학습 (Categorical Latent Representation Learning)

Gumbel-Softmax VAE 사용: 원시 CSI 신호를 압축하기 위해 범주형 변이형 오토인코더(Categorical VAE)를 사용합니다.
이산화(Discretization): Gumbel-Softmax 재매개변수화 기법을 통해 미분 가능한 방식으로 학습하며, 학습 후에는 인코더를 고정(Freeze)하여 입력 신호를 **이산적인 원-핫(One-hot) 잠재 궤적(Latent Trajectories)**으로 변환합니다. 이는 심볼릭 추론이 가능한 '디지털 신호'를 만드는 과정입니다.

Step 2: 인과적 구조 발견 (Causal Discovery)

LPCMCI 알고리즘: 학습된 이산 잠재 변수들 사이의 시간적 의존성을 파악하기 위해 Latent PCMCI 알고리즘을 적용합니다.
인과적 관계 추출: 특정 잠재 변수의 활성화가 시간차( $\tau$ )를 두고 다른 변수에 미치는 영향(양의 상관관계 또는 음의 상관관계)을 통계적으로 계산하여 인과 그래프를 생성합니다.

Step 3: LTL 규칙 추출 및 결정론적 분류 (LTL Rule Extraction & Classification)

LTL(Linear Temporal Logic) 변환: 발견된 인과적 의존성을 선형 시제 논리(LTL) 공식으로 변환합니다.
- 예: $X_s$ 가 활성화되면 $\tau$ 시간 후에 $X_d$ 가 활성화된다 $\rightarrow \square(X_s \rightarrow \bigcirc_\tau X_d)$
결정론적 분류기: 학습된 신경망 분류 헤드(Head)를 사용하는 대신, 추출된 LTL 규칙들의 집합을 평가하여 점수를 매기는 방식으로 행동을 분류합니다. 규칙이 없는 클래스의 경우 평균 잠재 벡터를 사용하는 프로토타입(Prototype) 방식을 보조적으로 사용합니다.

3. 주요 기여 (Key Contributions)

완전 자동화된 파이프라인: 외부의 특징 엔지니어링이나 인간의 개입 없이 원시 CSI에서 규칙 기반 분류기까지 자동으로 생성합니다.
엄격한 모듈화 (Strict Decoupling): 신경망은 오직 '압축'에만 사용되고, '추론'은 오직 '이산 잠재 공간'에서만 이루어집니다. 이로 인해 규칙을 수정하고 싶을 때 모델 전체를 재학습할 필요가 없습니다.
인과적 해석 가능성: 분류 결정이 구체적인 LTL 규칙(예: "A 상태가 발생하면 2단계 뒤에 B 상태가 온다")으로 설명되므로, 왜 해당 행동으로 분류되었는지 명확히 알 수 있습니다.
다중 안테나 확장성: 규칙이 심볼릭 형태이므로, 서로 다른 안테나에서 추출된 규칙들을 논리적 결합(AND, OR 등)을 통해 쉽게 통합할 수 있습니다.

4. 실험 결과 (Results)

성능: 엔드투엔드(End-to-end) 블랙박스 모델을 사용하지 않고 오직 규칙 기반의 결정론적 분류만으로도 70% 이상의 정확도를 달성했습니다.
행동별 특성:
- 정적 행동(Sit, Stand, Squat 등): 안정적인 잠재 궤적을 가져 높은 정확도를 보였습니다.
- 동적 행동(Jump, Waving 등): 신호의 비정상성(Non-stationarity)으로 인해 규칙 추출이 어려워 상대적으로 낮은 성능을 보였습니다.
규칙의 유효성: 추출된 규칙의 개수(Rule budget)가 분류 성능의 신뢰도를 나타내는 지표임을 확인했습니다.

5. 의의 및 결론 (Significance & Conclusion)

본 논문은 **뉴로-심볼릭 AI(Neuro-symbolic AI)**를 무선 센싱 분야에 성공적으로 적용한 사례입니다.

의의: 단순히 성능만 높은 모델이 아니라, **"왜 그렇게 판단했는가?"**에 답할 수 있고, 사용자가 **"규칙을 직접 제어"**할 수 있는 신뢰할 수 있는 Wi-Fi 기반 행동 인식 프레임워크를 제시했습니다.
결론: 이산 잠재 표현에 기반한 결정론적 LTL 분류기는 기존의 블랙박스 딥러닝 모델을 대체할 수 있는 유망하고 원칙적인 대안임을 입증하였습니다.