딥 공동 소스-채널 코딩(DeepJSCC)을 위한 신경망 검증

딥 공동 소스-채널 코딩(Deep Joint Source-Channel Coding, DeepJSCC)은 신경망 인코더-디코더를 사용하여 데이터를 무선 채널을 통해 종단 간(end-to-end)으로 전송하지만, 적대적 교란(adversarial perturbations) 및 채널 교란 하에서 복원 품질이 급격히 저하될 수 있으며, DeepJSCC의 이러한 성능 저하를 형식적으로 경계하는 방법은 없습니다. 본 논문에서는 주어진 무선 채널의 노이즈 영역에 걸쳐 최악의 경우 복원 오차를 경계함으로써 DeepJSCC 디코더를 검증하기 위한 최초의 바운드 전파(bound-propagation) 프레임워크를 제시합니다. 현재의 딥 신경망(DNN) 검증기는 파라미터릭 활성화 함수(PReLU), 전치 컨볼루션(transposed convolutions), 그리고 Rayleigh 페이딩을 포함하는 세 가지 DeepJSCC 디코더 구성 요소를 지원하지 않습니다. 우리는 PReLU에 대한 DNN 검증의 선형 완화(linear relaxation) 최적화를 위한 최신 기술을 확장하고, 전치 컨볼루션을 제한된 업샘플-후-컨볼루션 형태로 대체하며, Rayleigh 페이딩을 디코더에 직접 추가되는 구조적 교란(structural perturbation)으로 공식화하여 검증 문제의 차원을 줄입니다. 또한, 글로벌 강건성 훈련(global robustness training)으로 명명된 Lipschitz 정규화(Lipschitz-regularized) 전역 강건성 훈련(GloRo)을 구현하여 전역 강건성을 개선하고 DeepJSCC 모델에 대한 엄격한 인증(tight certification)을 최초로 가능하게 합니다. 이미지 전송용 DeepJSCC 모델의 경우, 이 글로벌 강건성 훈련 절차는 구조적 인코딩과 결합되어 채널 추정 오차가 10도일 때 중앙값 인증 바운드를 최대 41%까지 낮추고, 간격 인코딩(interval encoding)을 사용한 GloRo 대비 약 10배 더 많은 안전 사례(192개 대 19개)를 인증합니다. 직교 주파수 분할 다중화(OFDM) 구현을 소프트웨어 정의 라디오 장치에 적용하여 오버-더-에어 검증을 수행한 결과, 최악 관측 오류가 무선 링크에서 0.082였으며 이는 인증 바운드인 0.128 대비 낮은 수치를 보였습니다.