Mindverse Computing의 Dibakar Sigdel은 뇌전도 전력스펙트럼의 1/f 법칙을 Transformer에 직접 반영하면 적은 데이터에서 수면단계 분류가 나아지는지 검증했다. 제안한 RG-Flow Transformer는 일반 자기주의 경로와 규모 인식 경로를 함께 두고, 학습 가능한 이상차원 γ와 블록 스핀 조대화, 엔트로피 문턱을 이용한 동기화 다리를 결합한다.
자료는 PhysioNet Sleep-EDF의 피험자 5명이다. 같은 사람의 기록이 학습과 시험에 섞이지 않도록 피험자 단위 leave-one-subject-out 교차검증을 적용하고 시드 5개를 반복했다. RG-Flow 163,850개, 일반 Transformer 162,910개로 매개변수 규모를 맞췄으며, 계층 구조만 남긴 절제 모델도 비교했다. 전처리된 에포크의 97%는 스펙트럼 지수 적합도 R² 0.90 이상을 통과했다.
전체 데이터에서 RG-Flow의 5단계 수면 분류 정확도는 77.3%±2.8%였고 일반 모델은 77.0%±3.0%였다. 대응 Wilcoxon 검정 p값은 0.294로 유의한 차이가 없었다. 매크로 F1도 RG-Flow 66.5%, 일반 모델 67.5%로 후자가 높았다. 피험자별 학습 에포크 수를 줄인 예산 실험에서도 예상한 교차점은 나오지 않았고 일반 모델이 모든 제한 예산에서 수치상 앞섰다.
차이는 해석성에서 나타났다. RG-Flow의 별도 회귀 헤드는 시험 피험자의 연속 스펙트럼 지수 β를 R² 0.416으로 예측했다. 일반 모델의 별도 회귀 헤드는 R² 0.403이었고 두 회귀 성능 차이는 p=0.542로 유의하지 않았다. 학습 파라미터 γ와 β 회복 성능은 실행 전반에서 Pearson r=-0.36, p<0.001로 공변했지만, γ가 신경생리학적 원인을 직접 식별한다고 볼 수는 없다. 연구 자체도 정확도 우월성 가설에 대한 음성 결과를 중심에 둔다.
| 검증 항목 | 확인 내용 |
|---|---|
| 자료 | Sleep-EDF 피험자 5명 |
| 검증 | 피험자 분리 교차검증·시드 5개 |
| 정확도 | RG-Flow 77.3% vs 일반 77.0%, p=0.294 |
| 매크로 F1 | 66.5% vs 67.5% |
| β 복원 | RG-Flow R² 0.416 |
자료: STORIUM 정리
표본이 5명에 불과해 신뢰구간이 넓고, 단일 Sleep-EDF 자료와 한 분류 설정만 사용했다는 점이 가장 큰 제한이다. 따라서 규모 인식 편향의 일반적 효용보다는 엄격한 누수 차단 아래 사전 가설이 지지되지 않았다는 증거로 읽어야 한다. 공개일은 2026년 7월 11일이며 식별자는 arXiv:2607.11950이다. 동료검토 전 프리프린트다. 원문: https://arxiv.org/abs/2607.11950
저작권자 © STORIUM 무단전재 및 재배포 금지
