Sub-ID, 서브무브먼트 식별 가능성 기준을 넣어 겹친 손 궤적을 분해한다

손 궤적의 서브무브먼트 분해가 수학적으로 언제 가능하며, 식별 불가능한 경우를 스스로 드러내면서도 장기 3차원 동작에서 실제 파라미터를 복원할 수 있는가?

서브무브먼트는 시간적으로 중첩되어 합산되므로 역문제가 된다. 정확한 전역 최적화는 원시 개수가 늘면 기하급수적으로 비싸지고, 확장 가능한 방법들은 측정되지 않은 가정이나 학습 데이터 편향을 도입한다. 기존 방법은 거짓 분해도 잔차 오차를 0.5%까지 낮출 수 있어 실패를 구별할 기준이 없었다.

Branch-and-bound와 Scattershot은 전역 최적해를 찾지만 대략 열 개 이상의 원시에서 계산이 어렵다. Gowda의 탐색공간 축소, SSSUMO의 학습 기반 추론은 더 긴 신호를 다루지만 편향이 측정되지 않거나 이전 알고리즘 라벨의 편향, 고정 샘플링 레이트와 공간 차원 한계를 가진다. 세 계열 모두 분해가 정보를 주는지 판단하는 식별 가능성 기준이 없었다.

Sub-ID는 Gram 행렬과 Cramér–Rao 하한에서 유도한 시공간 커널 상관 rho_{i,j}=cos(psi_{i,j})*rho(Delta t)를 식별 가능성 기준으로 삼는다. 이 기준을 적응형 릿지 정규화에 넣어 낮은 상관의 해를 찾도록 최적화기를 편향시킨다. 파이프라인은 스칼라 속도에서 피크 기반 초기화와 탐욕적 잔차 보강으로 시간 변수를 찾고, 위치 영역에서 적응형 릿지 최적화로 공간 진폭과 초기 위치를 동시에 보정한다. 이 마지막 단계가 속도 영역 적합에서 생기는 장기 위치 드리프트를 막는다.

합성 데이터는 K=3, 8, 15 각 100개 단봉 시행으로 평가했다. Sub-ID는 설계상 속도 RMSE 2% 이하를 달성하고, 위치 RMSE는 K=15에서 0.012 m였다. 같은 조건에서 Gowda는 K=3에서 위치 오차 0.015 m, K=15에서 약 0.06 m로 증가했고, SSSUMO는 K=15에서 위치 오차 0.120 m였다. Scattershot은 K=3에서 수렴하고 K=8에서 저하, K=15에서 최대 30개 기저 한도 내에 수렴하지 못했다. 파라미터 분포 복원에서 Sub-ID는 지속 시간, 진폭, 기저 개수, 불응기 분포를 모든 복잡도에서 원본에 가깝게 재현했다. K=15에서 0.8 초과 임계 중첩 비율은 Sub-ID 3.00%, 최대 상관 0.45였고, Gowda는 최대 상관 0.68과 12.30%, SSSUMO는 최대 상관 0.96과 51.83%를 보였다. 이중봉 합성 과제 K=15, 100개 시행에서 Sub-ID는 두 분포 구조를 분리했고 추정 기저 수는 14에서 16 사이였다. 극단 중첩 시나리오에서는 기저가 병합되어 기저 수가 과소 추정되는 방식으로 식별 불가능을 드러냈다. 실물 데이터로 UCI Character Trajectories, Object Moving, 맞춤형 PushT 2D와 3D 장기 과제를 평가했다고 기술했지만, 이 발췌 본문에는 실물 데이터의 정량 지표가 보고되지 않았다.

저자들은 rho_{i,j}가 추정된 방향 벡터에 의존하므로 상쇄되는 기저가 우연히 직교 방향을 가질 경우 낮은 상관으로 잘못 확신할 수 있다고 밝혔다. 따라서 실제 데이터에서는 rho 판독이 필요조건이지 충분조건이 아니다. SSSUMO는 공개된 사전학습 모델로 평가했고 Sub-ID 라벨로 재학습하면 격차가 줄지 미해결이다. 최종 위치 적합은 백색 잡음 가정의 최소제곱이라 운동 잡음이 브라운 과정일 때 최대우도 추정이 아니다. 실물 데이터 정량 결과가 본 발췌에서 충분히 보고되지 않았고, 다수 피험자와 과제에 대한 일반화도 남아 있다.