IEEE 802.11p 차량 통신의 딥러닝 기반 채널 추정 모델을 해석하고 압축하는 프레임워크 REACH(Relevance-based Explanation and Architectural Compression for cHannel estimators)가 발표됐다. 다채널 혼합 SNR(신호 대 잡음비) 학습이 분포 외(OOD) 일반화 성능을 개선한다는 사실은 알려져 있었으나, 그 내부 작동 메커니즘은 밝혀지지 않았다. 이 연구는 경사도 기반 해석 가능성 기법을 입력 레벨과 필터 레벨 두 단계에서 적용해 이 문제를 규명했다.
입력 레벨 귀속 분석은 모든 평가된 채널 조건에서 일관되게 중요한 시간-주파수 특징 부분 집합을 식별한다. 이를 통해 입력 차원을 줄이면서도 성능 손실을 최소화할 수 있었다. 필터 레벨 귀속 분석은 모델 내부에서 거의 보편적인 내부 표현이 형성됨을 드러냈고, 이는 관찰된 OOD 일반화 성능의 표현론적 근거를 제공한다. 이 필터 분류 체계를 바탕으로 한 관련성 유도 아키텍처 압축은 파라미터 수와 부동소수점 연산(FLOP) 횟수를 크게 줄이면서도 정규화 평균 제곱 오차(NMSE) 성능 저하를 1dB 이하로 유지했다.
압축 과정에서 OOD 일반화 성능은 분포 내 정확도보다 더 천천히 저하됐다. 이는 압축된 모델이 다양한 채널 환경에 대한 적응력을 상당 부분 유지함을 의미한다. 모델의 내부 표현이 특정 채널 조건에 지나치게 특화되지 않고 보편적인 특징을 포착한다는 사실이 이 결과의 배경으로 풀이된다.
자율주행과 차량 사물 인터넷(V2X) 기술이 확산되면서 차량 통신 채널 추정의 정확도와 실시간 처리 효율 모두가 요구된다. 딥러닝 모델이 왜 잘 작동하는지를 이해하고 이를 바탕으로 경량화하는 해석 가능성 연구는, 모델의 신뢰성을 높이고 자원이 제한된 차량 탑재 시스템에 적용하는 데 직접적인 가치를 갖는다. REACH는 해석 가능성이 단순한 설명 도구를 넘어 아키텍처 최적화의 실용적 수단이 될 수 있음을 보여준다.
