요약

기존 딥러닝 모델의 높은 연산 비용과 디스크립터 크기 한계를 극복하기 위해, 본 논문은 이산적인 로직 게이트 네트워크(Logic Gate Networks, LGN)를 활용한 비디오 복제 탐지 프레임워크를 제안합니다. LGN은 부동소수점 특징 추출기를 간결한 로직 기반 표현으로 대체하여, 모델을 순수한 불리언 회로로 이산화할 수 있게 합니다. 이를 통해 메모리 효율성과 추론 속도를 획기적으로 개선했으며, 초당 11k 샘플 이상의 빠른 처리 속도를 달성했습니다.

핵심 포인트

• LGN은 기존의 부동소수점 특징 추출기를 로직 기반 표현으로 대체하여 계산 비용을 대폭 절감합니다.
• 제안된 프레임워크는 공격적인 프레임 축소, 이진 전처리, 학습 가능한 LGN 임베딩 모델을 결합했습니다.
• 학습 후 모델은 순수 불리언 회로로 이산화되어 메모리 효율성과 속도가 극대화됩니다.
• 실험 결과, LGN 기반 모델은 기존 모델 대비 경쟁적이거나 우수한 정확도와 랭킹 성능을 유지하면서 디스크립터 크기를 수 배(orders of magnitude) 작게 만들었습니다.