연구진은 데이터 내 변동 요인을 분리하는 기술인 분리 학습의 새로운 접근 방식을 제시했어요. 기존 방식과 달리, 분리된 표현을 기호 구조로 취급하는 방식을 채택했어요. 이를 위해 홀로그래픽 축소 표현(HRR)을 활용한 비지도 학습 알고리즘을 개발했어요.
HRR의 축소 연산은 변동 요인 분리에 대한 유도 편향을 제공하며, 기존 방식 대비 경쟁력 있는 성능을 보여줘요. 정보 이론적 분석을 통해 축소 연산이 기호-값 쌍을 독립적으로 유도하고, 각 슬롯당 인코딩 가능한 고유한 기호 개념의 수를 제한하는 용량을 파악했어요.
기존 오토인코더 기반 모델과 달리, HRR 표현은 벡터를 합산하여 표현하며, 노이즈에 더 강건하고 다양한 신호 대 잡음비(SNR) 조건에서 재구성 품질을 유지해요. 이 연구는 분리 학습의 새로운 가능성을 제시하고, 기호 구조 기반 표현 학습의 중요성을 강조해요.
향후 연구에서는 HRR 기반 분리 학습을 다양한 분야에 적용하고, 더 복잡한 변동 요인 분리 문제를 해결하기 위한 방법을 모색할 수 있을 거예요.