차원별 신호: 시계열, 영상, 부피, 그래프
자주 하는 실수와 요약
자주 하는 실수
| 실수 |
바른 생각 |
나온 문제 |
| 스펙트럼의 봉우리마다 따로 된 습관이나 원인이 있다 |
한 주기의 모양이 사인 물결이 아니면 그 주기의 정수배 주파수(배음) 칸에도 봉우리가 선다 |
문제 1 |
| 봉우리 칸 번호로 읽은 주기 N/k 가 늘 참 주기다 |
참 주기가 칸 사이에 끼면 가장 가까운 칸이 대신 서고 이웃 칸으로 샌다. 정수 주기 길이로 자르거나, 윈도우와 0 붙이기로 누그러뜨린다 |
문제 2, 3 |
| 구간이 길수록 주기를 잘 찾는다 |
찾는 주기들이 구간 길이를 나누어떨어지게 해야 한다. 30일 구간은 한 주 주기를 180시간으로 잘못 읽는다 |
문제 3 |
| 화면 속 속도는 물체의 실제 속도로 정해진다 |
화면에서는 각속도가 정한다. 가까운 것일수록 빨리 지나고 시간 주파수가 높다 |
문제 4 |
| 프레임마다 v칸 오른쪽으로 가는 무늬는 오른쪽으로 보인다 |
한 프레임에 무늬 주기의 절반 넘게 가면 시간 쪽 에일리어싱으로 다른 속도로 둔갑한다 |
문제 5 |
| 노노그램이든 단층 촬영이든 두 방향 투영이면 정해진다 |
두 방향으로는 여러 판이 같은 투영을 낸다. 방향을 더해야 하나로 좁혀진다 |
문제 7 |
| 투영 아래 넓이는 각도마다 다르다 |
모든 투영의 주파수 0 칸은 2차원 푸리에 평면의 원점 하나라서 넓이가 같다 |
문제 8 |
| 투영을 줄여도 오차가 그대로면 줄여도 된다 |
굵은 무늬만 있는 단면에서만 그렇다. 가는 무늬는 줄 사이 빈틈에 빠진다. 신경망은 빈틈을 학습 자료의 모양으로 채운다 |
문제 8, 9 |
| 고리에서 점 하나를 끊어도 물결은 그대로 고유벡터다 |
평행이동 대칭이 깨지면 끝에서 어긋난다. 줄 그래프의 고유벡터는 코사인(이산 코사인 변환의 물결)이다 |
문제 11 |
| 낮은 물결만 남기는 필터는 이웃만 섞는다 |
물결마다 마음대로 정한 필터는 그래프 전체를 섞는다. 이웃 K 홉 안으로 막으려면 K 차 다항식이어야 한다 |
문제 12 |
요약
- 계절성: 자료가 일정한 주기로 되풀이되면 스펙트럼의 칸 k = N/주기 에 봉우리가 선다. 3년치 기온에서 칸 3 하나가 세기의 88%를 담는다. 주기가 칸 사이에 끼면 이웃 칸으로 새고, 한 주기의 모양이 뾰족하면 배음 칸에도 봉우리가 선다.
- 시공간 스펙트럼: 그림이 모양을 그대로 둔 채 v칸씩 움직이면 영상의 스펙트럼은 m + v·k = 0 인 기운 평면 위에만 있다. 평면의 기울기가 속도 v 이고, 한 프레임에 무늬 주기의 절반 넘게 가면 시간 쪽으로 에일리어싱이 생긴다.
- 푸리에 단면 정리: 투영의 1차원 푸리에 변환은 단면의 2차원 푸리에 변환을 같은 각도로 자른 한 줄이다. 투영을 여러 각도로 모아 |ρ| 필터를 걸고 거꾸로 펴서 더하면 단면이 되살아나고, 칸 수의 π/2 배쯤 투영이 있으면 가장자리 주파수까지 채워진다.
- 그래프 푸리에 변환: 그래프 라플라시안 L = D − A 의 고유벡터가 그래프의 물결이고 고윳값이 주파수다. 고리 그래프에서는 평행이동 대칭 때문에 이산 푸리에 변환의 물결이 그대로 나오고, 끝을 열면 코사인이 된다.
- ML에서는 시계열 모델이 봉우리로 주기를 고르거나 물결의 합으로 계절성을 적고, 영상 모델은 시간 쪽을 줄인 잠재를 다루며, 단층 촬영은 거른 역투영 뒤에 신경망으로 줄무늬를 걷고, GCN 은 라플라시안 다항식 필터의 1차 근사다.
flowchart LR
A["시계열 (1축)<br/>계절성 = 봉우리 칸"] --> B["영상 (가로·세로·시간)<br/>움직임 = 기운 평면"]
B --> C["부피와 단면<br/>투영의 푸리에 = 한 줄"]
C --> D["그래프<br/>라플라시안 고유벡터 = 물결"]
A -. "같은 이산 푸리에 변환" .- C
D -. "고리면 이산 푸리에 변환" .- A
막힌 곳
- 시계열, 영상, 단면에서는 자료가 놓인 바탕(줄, 격자, 평면)이 평평했다. 지구 표면의 기온이나 하늘 전체의 밝기처럼 구 위에 놓인 값은 어떻게 할까? 구에는 「한 칸 민다」도 「가로·세로」도 없지만, 돌려도 모양이 그대로라는 대칭은 있다.
- 그래프 푸리에 변환은 고유벡터를 구해야 했다. 점이 수백만 개인 그래프에서는 그 셈이 너무 크다. 다항식 필터는 고유벡터 없이 거르는 방법이었는데, 다항식으로 적을 수 없는 필터를 꼭 써야 한다면 어떻게 해야 할까?
- 단층 촬영의 신경망은 측정에 없는 높은 주파수를 학습 자료의 모양으로 채웠다. 신경망은 낮은 주파수와 높은 주파수를 같은 속도로 배울까?