비지도 모멘텀 대비 및 변환기를 기반으로 한 공중 목표의 전술적 의도 인식 아키텍처

공중 목표의 전술적 의도 인식은 전투 결정에 있어 매우 중요하지만, 기존의 지도 학습 딥 러닝 접근 방식은 군사 분야에서 레이블이 있는 훈련 데이터의 극심한 부족으로 인해 근본적인 어려움에 직면해 있습니다. 데이터 주석은 보안 문제와 전문가 레이블링의 높은 비용으로 인해 제약을 받습니다. 본 논문에서는 비지도 모멘텀 대비 및 변환기 기반 의도 분류 아키텍처(UMC-TransDICA)를 소개하여 이러한 도전 과제에 대처합니다. 이는 비지도 모멘텀 대비 학습을 통해 레이블이 없는 시계열 데이터를 훈련에 이용하는 새로운 프레임워크입니다. 본 아키텍처는 기존의 모멘텀 대비 학습, 변환기 인코더 및 KNN 분류의 조합을 넘어서 세 가지 주요 방법론적 혁신을 제안합니다. 첫째, 학습된 확산-잡음 제거 프로세스를 이용하여 의미적으로 일관되면서도 특성이 다양한 긍정적 샘플을 합성하는 마르코프 체인 기반의 긍정적 샘플 생성 방법을 제안합니다. 이는 시계열에서 의미 왜곡을 유발하는 기존의 확률적 증강 방식을 대체합니다. 둘째, 쿼리-키 및 키-쿼리 유사성을 함께 최적화하는 양방향 InfoNCE 손실 함수를 도입하여 표준 단방향 대비 손실보다 시간적 동향을 캡처하는 데 뛰어난 성능을 보여줍니다. 셋째, 이러한 혁신을 통합하여 레이블이 있는 데이터에 대한 미세 조정이 필요 없는 간소화된 프레임워크를 제공하며, 테스트 중에 학습된 임베딩 공간에서 KNN 분류를 직접 이용합니다. 실험 결과 UMC-TransDICA는 7개 클래스 전술적 의도 분류에서 92.33%의 정확성을 달성하였으며, 레이블이 있는 소규모 테스트 세트만 필요로 하면서 지도 기준을 초월하였습니다. 유효성 분석 연구는 각 구성 요소의 효과를 입증합니다: 마르코프 체인 기반 긍정적 샘플 생성이 무작위 증강에 비해 정확성을 상당히 향상시켰고, Bi-InfoNCE 손실이 단방향 InfoNCE에 비해 추가 1.8%의 향상을 이끌었습니다. 이러한 결과는 군사적 의도 인식을 위한 비지도 대비 학습의 실용성을 확립하고 제한된 레이블 데이터가 있는 시나리오에 대한 일반화 가능한 접근 방식을 제공합니다.