효과적인 특징 추출기 (feature extractor)를 설계하는 것은 자동 변조 인식 (AMR), 신호 스킴 인식 (SSR), 그리고 신호 구조 파싱 (SSP)과 같은 블라인드 신호 분석 (blind signal analysis) 작업에서 매우 중요합니다. 본 연구에서는 IQ 채널 간의 파라미터 공유를 통해 복소수 값 신호 (complex-valued signals)를 효율적으로 활용하는 이중 채널 신경망 (DualNN)을 제안합니다. 기존의 실수 값 (real-valued) 또는 복소수 값 (complex-valued) 모델과 달리, DualNN은 복소수 값 신호의 실수부와 허수부를 처리하기 위해 네트워크 파라미터를 공유하는 혁신적인 프레임워크이며, 표현 능력 (expressive capacity)을 유지하면서 일반화 오차 (generalization error)를 줄일 수 있음을 이론적으로 보여줍니다. 구체적으로, 우리는 DualNN을 구현하기 위해 Dualformer라고 불리는 새로운 Transformer 기반 아키텍처를 제안합니다. Dualformer는 입력 신호를 패치 레벨 토큰 (patch-level tokens)으로 분할하고 다중 입도 특징 (multi-granularity features)을 포착하여, 다양한 신호 분석 작업에서 견고한 성능을 가능하게 합니다. 나아가, 우리는 Dualformer를 세 가지 Transformer 기반 베이스라인 및 네 가지 전통적인 딥러닝 (DL) 기반 접근 방식과 비교하는 광범위한 실험을 수행합니다. 결과는 AMR, SSR 및 SSP 작업에서 일관된 성능 향상을 입증합니다. 또한, DualNN의 모듈형 설계는 블라인드 신호 분리 (blind source separation) 및 저신호 대 잡음비 (low-SNR) 스펙트럼 센싱 (spectrum sensing)과 같은 블라인드 신호 처리 작업에 잘 일반화될 수 있도록 합니다. 본 연구는 비지도 (unsupervised) 및 약지도 (weakly supervised) 복소수 값 신호 분석 시나리오에서 DualNN 아키텍처의 더 넓은 응용을 위한 길을 열어줍니다.