밀리미터파 (mmWave) 빔 정렬 (beam alignment)은 차세대 무선 시스템에서 중요한 역할을 하지만, 이를 효율적으로 구현하는 것은 여전히 어려운 과제로 남아 있습니다. 딥러닝 기반의 빔 예측 모델이 보지 못한 환경에 빠르게 적응할 수 있도록 메타 학습 (meta-learning)과 전이 학습 (transfer learning)이 탐구되어 왔습니다. 그러나 기존의 메타 학습 방식은 전체 네트워크를 적응시키고 무작위 초기화 상태에서 학습하기 때문에, 업데이트되는 파라미터 수가 많고 메타 학습 비용이 높습니다. 반면 전이 학습 방식은 네트워크의 일부로 적응을 제한하지만, 적응 과정 자체를 최적화하기 위해 여러 태스크에 걸쳐 모델을 명시적으로 학습시키는 에피소드형 메타 학습 (episodic meta-learning)을 활용하지 못합니다.

이러한 한계를 극복하기 위해, 우리는 밀리미터파 다중 입출력 단일 출력 (MISO) 시스템의 빔 정렬을 위한 메타 전이 학습 프레임워크인 MTL-BA를 제안합니다. MTL-BA는 사전 학습된 컨볼루션 백본 (convolutional backbone)을 동결하고, 경량화된 스케일 앤 시프트 (Scale-and-Shift, SS) 어댑터와 분류기 헤드 (classifier head)만을 메타 학습합니다. 사전 학습된 모델로부터 웜 스타트 (Warm-starting)를 수행하고 적응 범위를 SS 어댑터와 분류기 헤드로 제한함으로써, 예측 성능을 희생하지 않으면서도 적응 비용과 메타 학습 예산을 모두 줄일 수 있습니다.

DeepMIMO 레이 트레이싱 (ray-tracing) 데이터셋을 이용한 시뮬레이션 결과에 따르면, MTL-BA는 전체 미세 조정 (full fine-tuning) 및 모델 불가지론적 메타 학습 (Model-Agnostic Meta-Learning, MAML)보다 약 17배 적은 파라미터를 업데이트하면서도 다양한 SNR 수준에서 전체 미세 조정의 정확도 및 스펙트럼 효율성 (spectral efficiency)과 일치하는 성능을 보여주었습니다. 또한, 유사한 수의 파라미터를 업데이트하면서도 마지막 레이어 미세 조정 (last-layer fine-tuning)보다 뛰어난 성능을 보였으며, MAML보다 60% 적은 메타 학습 에포크 (meta-training epochs)를 요구하면서도 MAML의 성능에 근접하는 결과를 나타냈습니다.