기술 요약: 분산된 에지 디바이스 상의 물리 정보 기반 도래각 추정

문제 정의

도래각(Direction-of-Arrival, DoA) 추정은 배열 신호 처리의 핵심적인 과업으로, 전통적으로 어레이 매니폴드(array manifold)의 기하학적 구조를 활용하는 MUSIC 또는 GLRT와 같은 고전적 방법들을 통해 해결되어 왔다. 딥러닝(DL)은 특히 저신호 대 잡음비(low-SNR) 및 미지의 채널 상태 정보(CSI) 조건에서 우수한 성능을 달est하며 유사한 성과를 거두었으나, 일반적으로 대규모 데이터셋을 중앙 집중화해야 한다는 문제를 안고 있으며, 이는 분산형 센싱 시스템에서 프라이버시 및 통신 문제를 야기한다.

연합 학습(Federated Learning, FL)은 에지 디바이스에서 로컬 모델을 학습함으로써 이에 대한 해결책을 제시한다. 그러나 표준 FL 알고리즘(예: FedAvg, FedProx, SCAFFOLD)은 DoA를 일반적인 분류 문제로 취급한다. 이들은 모든 각도 오분류에 동일한 페널티를 부여하는 크로스 엔트로피 손실을 최소화한다. 이러한 접근 방식은 어레이 매니폴드의 기하학적 물리 법칙을 무시하며, 작은 각도 오차(예: $5^\circ$와 $6^\circ$)와 큰 각도 오차(예: $5^\circ$와 $30^\circ$)를 구분하지 못한다. 불균질한 데이터 분포(non-IID) 환경에서, 이러한 불일치는 클라이언트 모델이 어레이 매니폴드와 기하학적으로 일치하지 않는 방향으로 드리프트(drift)되게 만들어 글로벌 모델의 정확도를 저하시킨다.

방법론

저자들은 균일 선형 배열(Uniform Linear Array, ULA)의 조향 매니폴드(steering manifold)를 로컬 학습 목적 함수에 명시적으로 포함하는 물리 정보 기반 FL 프레임워크를 제안한다.

신호 모델

시스템은 $M$개의 소자를 가진 ULA를 고려한다. 수신 신호 벡터 $z(n)$은 다음과 같이 모델링된다:
$$z(n) = a(\theta)s(n) + n(n)$$
여기서 $a(\theta)$는 어레이 기하 구조를 인코딩하는 조향 벡터이다. 활용된 핵심 속성은 각도의 근접성이 조향 벡터의 근접성을 의미한다는 점이다($\|a(\theta_1) - a(\theta_2)\|$는 각도 분리도에 따라 증가함).

제안된 프레임워크

저자들은 두 가지 구체적인 FL 목적 함수를 도입한다:

1. FedDoA: 이 방법은 표준 로컬 손실 $f_k(w)$에 조향 벡터 정규화 항을 추가하여 수정한다:
   $$L^D_k(w) = f_k(w) + \frac{\beta}{2} \|a(\hat{\theta}_k) - a(\theta_k)\|^2$$
   여기서 $\hat{\theta}_k$는 예측된 DoA, $\theta_k$는 실제 DoA, $\beta$는 가중치 하이퍼파라미터이다. 레이블 공간의 불일치를 처벌하는 기존 방식과 달리, 이 항은 유클리드 공간에서의 거리를 처벌함으로써 기하학적으로 일관된 페널티를 강제한다.

2. DoAProx: 이 방법은 심각한 불균질성 하에서 클라이언트 드리프트를 완화하기 위해 FedDoA의 조향 정규화와 FedProx의 근사(proximal) 항을 결합한다:
   $$L^{DP}_k(w) = f_k(w) + \frac{\mu}{2} \|w - w^{(0)}\|^2 + \frac{\beta}{2} \|a(\hat{\theta}_k) - a(\theta_k)\|^2$$
   근사 항은 로컬 가중치가 글로벌 모델 $w^{(0)}$에 가깝게 유지되도록 제한하는 한편, 조향 항은 매니폴드 상에서의 각도 보정을 강제한다.

수렴 분석

본 논문은 폴리악-로자식(Polyak–Łojasiewicz) 조건이나 볼록성(convexity)을 가정하지 않는 엄격한 비볼록(non-convex) 수렴 분석을 제공한다.

• 수렴 속도: FedDoA와 DoAProx 모두 통신 라운드 $T$에 대해 $O(1/\sqrt{T})$의 속도로 정지점(stationary point)으로 수렴함이 증명되었다.
• MSAE 경계: 저자들은 연합 DoA를 위한 최초의 직접적인 평균 제곱 각도 오차(Mean Squared Angular Error, MSAE) 경계를 도출하였다. 이 경계는 정규화 가중치 $\beta$와 어레이 개구부(aperture) $M$이 증가함에 따라 오차가 감소함을 보여준다. 특히, DoAProx는 불균질한 데이터 환경에서 클라이언트 드리프트를 억제함으로써 FedDoA보다 엄격하게 더 타이트한 MSAE 경계를 달성한다.

실험 결과

프레임워크는 $M=8$ 요소와 $N=1500$ 스냅샷을 사용하여 생성된 180,000개의 신호를 대상으로 CNN 아키텍처([15] 기반)를 통해 평가되었다. 실험은 레이블 및 채널 불균질성(IID vs. non-IID)이 변화하는 4가지 조건과 $K \in \{6, 12\}$ 클라이언트를 대상으로 수행되었다.

• IID/Non-IID 레이블 하의 성능:
  • 레이블 IID 조건에서, 물리 정보 기반 방법(FedDoA, DoAProx)은 베이스라인(FedAvg, FedProx, SCAFFOLD)보다 빠르게 수렴(5080 라운드 이내)하고 더 높은 최종 정확도(9095%)에 도달했다.
  • 레이블 non-IID 조건(분리된 각도 영역)에서는 모든 방법에서 정확도 저하(60~70%)가 관찰되었다. 그러나 FedDoA와 DoAProx는 베이스라인보다 일관되게 우수한 성능을 보였다. 조향 벡터 정규화 항은 각도 분포 불일치에 강건한 안정적인 그래디언트 신호를 제공하여, 로컬 업데이트가 더 나은 글로벌 일반화로 향하도록 유도했다.
• 채널 불균질성: 채널 분포(Gaussian, Rayleigh, Rician)는 물리 정보 기반 방법과 비물리 정보 기반 방법 간의 성능 차이에 유의미한 영향을 미치지 않았으며, 이는 얻어진 이득이 채널 특징이 아닌 각도 예측 기하 구조에 의해 주도됨을 확인시켜 준다.
• DoAProx의 이점: 가장 도전적인 시나리오(레이블 non-IID 및 채널 non-IID, $K=12$)에서, DoAProx는 동시적인 불균질성에 의해 발생하는 드리프트를 줄임으로써 추가적인 이점을 보여주었다.

주요 기여 및 의의

본 논문은 다음과 같은 구체적인 기여를 주장한다:

1. 물리 정보 기반 DoA 추정: 매니폴드 인식 정규화 항(FedDoA 및 DoAProx)을 통해 조향 벡터 기하 구조를 로컬 목적 함수에 직접 삽입한 최초의 물리 정보 기반 FL 프레임워크를 제안하였다.
2. 수렴 보장: 연합 DoA 방법론에 대한 최초의 엄격한 비볼록 수렴 분석을 확립하여 $O(1/\sqrt{T})$ 수렴을 증명하였다.
3. 이론적 경계: 연합 DoA 학습을 위한 최초의 직접적인 MSAE 경계를 도출하였으며, 이 경계가 정규화 가중치와 어레이 개구부에 따라 타이트해짐을 입증하였다.

의의: 본 연구는 도메인 지식(어레이 매니폴드 물리 법칙)을 FL 학습 패러다임에 통합하는 것이 일반적인 FL 베이스라인보다, 특히 불균질한 분산 환경에서 성능을 크게 향상시킨다는 것을 입증한다. 이 접근 방식은 네트워크 아키텍처에 종속되지 않으며, 계산 오버헤드가 미미하면서도 수렴 및 각도 추정 오차에 대한 이론적 보장을 제공한다.

향후 연구: 저자들은 향후 연구가 다중 소스 일반화 및 비선형 왜곡과 같은 어레이 결함(imperfections)을 다루는 데 집중될 것이라고 언급하였다.