조건부 신경 다양체(CNM)를 이용한 배열 신호 토폴로지 학습

요약

본 연구는 조건부 신경 다양체(CNM)를 제안하여 배열 신호 토폴로지 학습의 정확도를 높였습니다. CNM은 고정된 다양체를 소스 매개변수에서 스티어링 벡터로의 관측 조건부 매핑으로 대체합니다. 이를 통해 MUSIC과 같은 기존 방법의 한계를 극복하고, 다양한 환경(불완전성, 색 잡음 등)에서도 해상도를 복원할 수 있습니다.

핵심 포인트

• CNM은 고정 다양체를 관측 조건부 매핑으로 대체합니다.
• MUSIC 등의 기존 방법의 모델 불일치 문제를 해결합니다.
• 배열 불완전성, 색 잡음 등 다양한 환경에서 해상도를 복원합니다.