On the Identifiability of User Adaptation in Co-Adaptive Neural Interfaces

기술 요약: 공동 적응형 신경 인터페이스에서의 사용자 적응 식별 가능성에 관하여

문제 정의
본 논문은 Madduri 등[2]이 최근 제안한 실험적 및 이론적 프레임워크를 바탕으로, 공동 적응형(co-adaptive) 신경 인터페이스 분석의 핵심적인 이론적 공백을 다룬다. 공동 적응형 시스템에서는 인간 사용자와 기계 디코더가 폐쇄 루프(closed loop) 내에서 함께 적응한다. Madduri 등은 디코더의 학습률과 규제화(regularization)가 시스템 성능과 관찰된 사용자 행동 모두에 영향을 미친다는 점을 입증했으나, 본 논문은 기존의 실험 설계가 근본적인 **식별 가능성 문제(identifiability problem)**를 안고 있다고 주장한다.

핵심 문제는 추정된 "인코더"(선형 회귀를 통해 도출된 사용자 모델)의 시퀀스가 기저에 깔린 잠재적 사용자 적응 메커니즘을 유일하게 식별할 수 있는지 여부이다. 저자들은 현재의 방법론이 결합된 폐쇄 루프 역학(joint closed-loop dynamics)을 성공적으로 복구하는 데는 성공했지만, 진화하는 디코더 및 상태 분포의 효과로부터 사용자 측의 적응 정책을 고유하게 분리해내는 데는 실패했다고 상정한다.

방법론 및 이론적 프레임워크
본 논문은 다음과 같은 간결한 경험적 구조를 사용하여 공동 적응형 시스템을 정형화한다:

• 시스템 역학: $x_t$를 작업 변수(예: 목표 및 커서 상태), $u_t$를 사용자의 운동 출력(EMG), $y_t$를 제어된 출력이라고 하자. 디코더 $D_t$는 운동 출력을 움직임으로 매핑한다($y_t = D_t u_t$). 사용자는 추상적으로 정의된 미지의 제어 정책 $U_t$를 구현하며, 이는 $u_t = U_t(x_t, \xi_t)$로 표현된다(여기서 $\xi_t$는 내부 노이즈 또는 잠재 상태를 나타낸다).
• 추정 절차: 경험적 방법은 유한한 윈도우 $W_t$에 대해 선형 회귀를 사용하여 "인코더" $\hat{E}_t$를 추정한다: $\hat{E}_t = \arg \min_E \sum_{s \in W_t} \|u_s - E x_s\|^2$. 디코더 $D_t$는 윈도우 내에서는 고정되어 있지만, 윈도우 간에는 업데이트된다.
• 식별 가능성 분석: 저자들은 사용자 정책 시퀀스 $\{U_t\}$, 디코더 궤적 $\{D_t\}$, 그리고 윈도우 지정 방식(windowing scheme)을 추정된 인코더 시퀀스 $\{\hat{E}_t\}$로 매핑하는 함수 $M$을 정의한다. 핵심 질문은 $M$이 $\{U_t\}$에 대해 단사 함수(injective)인지 여부이다.

주요 결과: 비식별성 정리
본 논문은 **정리 1(Theorem 1)**을 제시하여, 폐쇄 루프 회귀 하에서의 사용자 적응의 비식별성을 확립한다. 이 정리는 디코더가 시변(time-varying)하고 상태 역학이 디코더에 의존하는 일반적인 폐쇄 루프 환경에서, 사용자 정책으로부터 추정된 인코더로의 매핑이 **단사가 아님(not injective)**을 명시한다.

증명은 구성적 방법(proof by construction)을 통해 진행되며, 관찰적으로 동일한 두 시스템을 보여준다:

1. 시스템 A (고정된 사용자): 시간 불변 정책 $u_t = E^* x_t$를 가진 사용자. 시변 디코더 $D_t$로 인해 작업 상태 $x_t$의 분포가 진화한다.
2. 시스템 B (시변 사용자): 섭동된 시변 정책 $u_t = (E^* + \Delta_t) x_t$를 가진 사용자.

저자들은 특정 조건(식 6)을 만족하도록 섭동 시퀀스 $\{\Delta_t\}$를 구성할 수 있음을 보여줌으로써, 두 시스템이 관찰적으로 동일함을 입증한다. 이러한 조건 하에서 회귀 추정량은 두 시스템 모두에 대해 동일한 시퀀스 $\hat{E}_t = E^*$를 산출한다. 결과적으로, 서로 다른 사용자 정책 시퀀스(하나의 고정된 정책과 하나의 변화하는 정책)가 동일한 인코더 추정치를 생성한다. 이는 $\hat{E}_t$의 변화를 추가적인 가정이나 흥분 조건(excitation conditions) 없이 사용자의 내부 정책 변화로 유일하게 귀속시킬 수 없음을 증명한다.

논의 및 해석
본 논문은 Madduri 등[2]의 실험 결과가 디코더 궤적의 조작이 결합된 시스템 행동과 추정된 인코더 시퀀스에 영향을 미친다는 점을 올바르게 보여준다는 점을 명확히 한다. 그러나 비식별성 결과로 인해, 이러한 관찰이 사용자의 내부 목적, 학습 역학 또는 비용 함수를 유일하게 결정하지는 않는다.

변화하는 상태 분포에 반응하는 고정된 정책, 지연된 적응 규칙 또는 대안적인 규제 구조를 포함한 다양한 구별되는 사용자 모델들이 $\hat{E}_t$에서 관찰되는 것과 동일한 경험적 징후를 재현할 수 있다. 따라서 본 프레임워크는 결합된 폐쇄 루프 시스템의 특성을 식별하지만, 기저의 사용자 적응 역학을 유일하게 식별하지는 못한다. 인간의 행동을 예측하거나 형성한다는 주장은 사용자 개별 단위가 아닌 결합 시스템 수준에서 해석되어야 한다.

의의 및 제안된 확장
저자들은 이러한 한계가 공동 적응 프레임워크 자체의 본질적인 특성이 아니라 현재의 실험 설계에서 기인한 것임을 강조한다. 본 논문은 사용자 적응을 식별하기 위해서는 사용자 정책의 변화와 상태 분포의 변화 사이의 대칭성을 깨뜨릴 수 있는 추가적인 구조가 필요하다고 제안한다.

식별성을 달성하기 위한 접근 방식으로는 다음이 제안된다:

• 외생적 섭동(Exogenous Perturbations): 독립적인 노이즈(예: 무작위 프로브 입력 $\tilde{D}_t = D_t + \delta_t$)를 도입하여 폐쇄 루프 역학과는 독립적인 지속적인 흥분(persistent excitation)을 생성함으로써, 사용자 반응과 상태 분포 효과를 분리한다.
• 잠재 상태 정식화(Latent State Formulations): 역학 함수에 대한 제약 조건이 있는 상태 공간 모델(예: $z_{t+1} = f(z_t, x_t, D_t)$)을 채택하여 표준적인 관측 가능성(observability) 조건 하에서 식별을 허용한다.
• 장기 호즌 실험(Longer Horizon Experiments): 빈번한 디코더 재초기화 없이 실험을 수행하여 과도적(transient) 성분과 지속적(persistent) 적응 성분을 분리한다.

결론적으로, 본 논문은 공동 적응형 신경 인터페이스 연구의 해석을 위한 필수적인 명확화를 제공하며, 인코더의 변화를 오로지 사용자의 학습으로만 돌리는 것에서 벗어나 결합 시스템 역학의 보다 엄밀한 식별으로 전환할 것을 촉구한다.