A Phase-Controlled Complex GRU Architecture with Riemannian Manifold Optimization

순환 신경망(RNN)은 시계열 데이터 처리에 강점을 가지나, 실수 기반 구조는 위상과 주파수와 같은 복잡한 특성의 데이터를 효과적으로 반영하지 못하는 한계가 존재한다. 이를 극복하기 위해 복소수 연산을 도입한 순환 신경망이 제안되었으나, 복소수 위상의 기하학적 특성인 주기성과 회전 불변성을 충분히 반영하지 못하며 관련 국내연구는 부족하다. 본 연구는 위상을 리만 다양체 상의 변수로 해석하고, 단위원 복소수 체계를 활용한 위상 제어 게이트를 도입한 구조를 제안한다. 제안된 모델은 위상 회전성 제어와 위상차 기반 손실 함수를 통해 복소 은닉 상태의 정밀한 위상 정보를 안정적으로 학습 할 수 있도록 구축되었으며, 복소수 데이터상에서 기존 GRU와 성능 비교를 통해 성능이 개선됨을 확인하였다.