Uncertainty Analysis of Multi-Channel Signal Restoration Using Autoencoders through Multi-Model Evaluation

다채널 신호 복원에서 딥러닝 모델의 성능 평가는 단일 모델의 평균 성능 지표에 의존하여 모델 불확실성을 충분히 반영하지 못하는 한계가 있다. 본 연구에서는 오토인코더 기반 신호 복원에서 30개의 독립적으로 훈련된 모델을 통해 복원 결과의 분포적 특성을 분석한다. ETTh1 데이터셋의 6개 채널에 대해 신호 전체 누락 시나리오를 적용하여 root mean square error (RMSE), intraclass correlation coefficient (ICC), 표준편차 등의 지표로 성능을 평가하였다. 실험 결과, 채널별로 뚜렷한 성능 계층화가 나타났으며, 신호의 급격한 변화 구간에서 모델 간 예측 편차가 증가하는 현상을 확인하였다. 또한 동일한 아키텍처와 하이퍼파라미터를 가진 모델들이라도 확률적 초기화로 인해 복원 결과의 분포가 형성됨을 규명하였다. 본 연구는 모델 불확실성을 정량적으로 분석하는 새로운 접근법을 제시하며, 분포적 특성과 모델 일관성을 종합적으로 고려한 신뢰성 평가 체계 구축에 기여한다.