5G 및 6G 네트워크의 위치 추정 (Localization) 은 지능형 교통 시스템, 스마트 공장, 스마트 시티 등 중요한 사용 사례에 필수적입니다. 딥러닝이 위치 추정 정확도를 개선할 수 있게 했음에도 불구하고, 배포 시나리오와 특정 인프라에서의 데이터셋 수집 캠페인 수행에 필요한 노력에 따라 위치 추정 모델의 학습 과정은 크게 달라질 수 있습니다. 또한, 특징 선택 (feature selection) 에 관해서는 최근 연구들이 각도 도달 (AoA) 기반 위치 추정의 견고함을 입증했습니다. 이러한 두 가지 점을 고려하여, 우리는 대규모 또는 소규모 학습 데이터셋에 각각 적합한 두 가지 대체 학습 전략을 포함하는 AoA 기반 위치 추정을 위한 적응적 프레임워크를 제안합니다. 제안된 프레임워크는 실제 대규모 다중 입력 다중 출력 (mMIMO) 오직 주파수 분할 다중화 (OFDM) 실외 채널 상태 정보 (CSI) 데이터셋에서 평가되었습니다.

첫째, 대규모 학습 데이터셋이 이용 가능한 경우 오프라인 학습을 조사합니다. 우리는 선-of-사이트 (LoS) 와 비 선-of-사이트 (NLoS) 영역을 구별한 후 해당 영역 내에서 더 세밀한 위치 추정으로 이동하는 계층적 프레임워크를 제안합니다. 이 접근법은 축적된 배치 재학습과 통합된 하이퍼파라미터 최적화 메커니즘을 통해 고성능의 위치 추정을 제공합니다.

둘째, 소규모 학습 데이터셋만 이용 가능한 경우 온라인 학습 프레임워크를 제안합니다. 이는 스트리밍 데이터를 처리하고 모드를 지속적으로 업데이트하기 위해 점진적 트리 기반 및 앙상블 기반 모델을 사용하며, 제한된 라벨링 지원 집합에서 새로운 클래스를 빠르게 초기화하기 위한 온라인 퓨처-샷 (few-shot) 학습 모델도 포함합니다.

이러한 결과는 온라인 학습을 활용하여 네트워크 운영 중에 점진적으로 높은 정확도와 견고한 위치 추정을 달성할 수 있음을 보여줍니다. 이는 대규모 데이터셋 수집 캠페인의 필요성을 완화합니다.