LLM으로 논문쓰기 도전기— 한 학부생의 연구 생존 기록 [3화] _ ai툴 리셋+베이스라인 논문 선정 및 읽기

연구일기

LLM으로 논문쓰기 도전기— 한 학부생의 연구 생존 기록 [3화] _ ai툴 리셋+베이스라인 논문 선정 및 읽기

내인생왜이래 2026. 3. 23. 13:06

자. 상황 재정리

교수님께서

각자 혼자서 작업하면 되고,

혈압추정 관련해 적절한 논문을 선정하면 된다고 하셨다.

추가 상황 정리. (중요)

라이너는 한달 결제해보니..

나같은 초보 연구자에겐 일단 그 유용성을 잘 모르겠고,

잘 사용하는법도 모르겠어서 일단은 구독취소를 했다.

나에겐 라이너는 그저(?)

제미나이보다 조금 더 출처를 잘 제시하는 툴 그 이상도 이하도 아니여 보였다.

더불어 나는 지금 라이너가 제안하는 툴들이 필요없었다.

가설 설정하고 뭐고할 필요없는게

나는 지금 선행논문을 구현하고 기술만 적용하면 되는 상황이고,

내가 필요한수준의 가설설정은 제미나이로도 충분히 구현할수 있을것 같았다.

그리고, 이제는 구현에 도움되는 ai 툴로

슬슬 바꾸어 구독해야하는 때라고 생각했다.

지금의 내게 중요하고 해야할것은

1) 논문을 제대로 읽고

2) 실험을 하면서 직접 베이스라인 논문에 부딪히는것.

이라고 생각되어졌다.

아참. 라이너 취소전,

베이스라인 논문은 야무지게 조사해서 그래도 토큰은 다쓰고 구취했다.

베이스라인 논문은 라이너와 제미나이가 공통적으로 추천하는 논문을 우선 선정했다.

Generalizable deep learning for photoplethysmography-based blood pressure estimation(2025)

그리고 추가적으로 논문을 읽기전

패스트캠퍼스의 논문 관련 인강도 하나 추가 결제했다.

<논문 26편 쓴 신박사의 ‘졸업을 앞당기는’ AI 활용 연구 & 논문작성>

처음엔

하.. 3시간 밖에 안되는 강의인데 왤케 비싸지..했는데,,

사길 잘했다.

뭔가 선행논문 어케 읽으면 좋을지 등의 꿀팁부터해서

딱 내게 필요한 팁들이 있는것 같아서 좋았다.

아직 다 본 건 아니지만 사길 잘한듯?

암튼 거기서 말하는 꿀팁대로 선행 논문을 읽고

회의준비도 했다.

교수님께서는 들으시고,

베이스라인 삼기 좋은 논문을 가져온것 같다고 하셨다.

그 외에 이 논문을 어떻게 활용하면 좋을지 관련 이야기들을 더 해주셨다.

이야기를 나누니,

어떻게 베이스라인을 잡아가야하는지 더 알것 같은 느낌?

그래서 추가적으로 혈압추정 일반화하기 좋은 논문들을 더 찾아봤다.

그랬더니 나온게 아래와 같았다.

일반화 관련해 최근의 대표적인 연구들을 정리한것이다.

해당 논문에 사용딘 엔지니어링 기법, 그리고 그 성과를 정리한 것이다.

-----

1. Curriculum-Adversarial Learning (도메인 불변 특징 추출)

이 기법은 모델이 특정 개인이나 기기의 특성에 매몰되지 않고, 혈압과 직결된 보편적 생체 특징만 학습하도록 강제합니다.

대표 논문: Generalizable Blood Pressure Estimation from Multi-Wavelength PPG Using Curriculum-Adversarial Learning (2025)
주요 기법:
- Domain Adversarial Training: 'Adversarial Discriminator'를 도입하여, 모델이 추출한 특징을 보고 이 신호가 어떤 피험자(Subject ID)에게서 왔는지 맞추지 못하도록 방해합니다. 결과적으로 모델은 개인 식별 정보는 버리고 혈압 추정에 필요한 공통 정보만 남기게 됩니다.
- Curriculum Learning: 처음부터 어려운 회귀(Regression)를 학습하지 않고, 고혈압 여부 판별과 같은 쉬운 '분류' 작업부터 시작해 점진적으로 정교한 혈압 수치를 예측하도록 학습 순서를 설계합니다.
성과: 다중 파장(Multi-wavelength) PPG 데이터셋에서 엄격한 개인별 분리(Subject-level splitting) 테스트 결과, MAE(평균 절대 오차) SBP 14.2mmHg, DBP 6.4mmHg 수준의 견고한 성능을 입증했습니다.

2. Self-Supervised Transfer Learning (데이터 효율성 및 표현력 강화)

데이터 라벨(실제 혈압값)이 부족한 상황에서도 PPG 신호 자체의 구조적 특징을 이해하도록 하는 방식입니다.

대표 논문: STP: Self-supervised transfer learning based on transformer for noninvasive blood pressure estimation using photoplethysmography (2024)
주요 기법:
- Self-Supervised Learning (SSL): 방대한 양의 라벨 없는 PPG 데이터를 사용하여, 신호의 일부를 가리거나 변형시킨 뒤 이를 복구하는 과정을 통해 PPG의 핵심 표현(Representation)을 선제적으로 학습합니다.
- Transformer Architecture: 시계열 데이터의 장기 의존성(Long-term dependency)을 파악하기 위해 어텐션 메커니즘을 활용하며, 이를 통해 신호 내의 미세한 파형 변화가 혈압에 미치는 영향을 전역적으로 파악합니다.
성과: 소량의 라벨 데이터만으로도 미세 조정(Fine-tuning)을 통해 높은 정확도를 달성했으며, 외부 데이터셋에 대한 적응력이 기존 Supervised Learning 방식보다 월등히 높음을 보였습니다.

3. Adversarial Contrastive Learning & Physics-Informed Networks (물리 기반 제약)

딥러닝 모델이 단순히 숫자를 맞추는 것이 아니라, 혈역학적(Hemodynamics) 원리를 따르도록 제약을 거는 방식입니다.

대표 논문: Adversarial Contrastive Learning Based Physics-Informed Temporal Networks for Cuffless Blood Pressure Estimation (2024)
주요 기법:
- Contrastive Learning: 혈압 수치가 비슷한 샘플들은 잠재 공간(Latent Space)에서 가깝게 배치하고, 수치가 다른 샘플들은 멀리 떨어뜨려 모델이 '변이의 변별력'을 갖도록 유도합니다.
- Physics-Informed Temporal Network (PITN): 심혈관 생리학적 법칙(예: 혈류 역학 공식)을 손실 함수(Loss Function)에 포함하여, 모델의 예측값이 생리학적으로 불가능한 범위를 벗어나지 않도록 규제합니다.
성과: 매우 제한된 데이터 환경에서도 상관계수(Correlation) SBP 0.90, DBP 0.89라는 놀라운 성과를 거두었으며, 특히 일반적인 딥러닝 모델 대비 학습 데이터 필요량을 약 15배 절감했습니다.

4. Sample-based Domain Adaptation (PulseDB 벤치마킹)

가장 최근에는 방대한 데이터셋인 PulseDB를 활용해 도메인 간의 가중치를 조절하는 방식이 주목받고 있습니다.

대표 논문: Generalizable deep learning for photoplethysmography-based blood pressure estimation– A Benchmarking Study (2025, arXiv)
주요 기법:
- Sample-based Weighting: 학습 데이터(Source)와 테스트 데이터(Target)의 라벨 분포(혈압 분포) 차이를 계산하고, 테스트 데이터의 분포와 유사한 학습 샘플에 더 높은 가중치를 부여하여 학습시킵니다.
- OOD (Out-of-Distribution) Evaluation: PulseDB(MIMIC-III, VitalDB 혼합)로 학습한 모델을 완전히 독립된 외부 데이터셋에서 검증하여 실질적인 일반화 능력을 정량화했습니다.
성과: 다양한 모델 아키텍처(ResNet, TCN, DLinear 등)를 비교 분석하여, 단순히 복잡한 모델보다 **데이터 전처리와 가중치 조절(Weighting)**이 외부 데이터셋 성능 향상에 더 결정적임을 증명했습니다.

엔지니어링 관점의 요약표

기법 핵심 전략 주요 논문 (연도) 타겟 문제

Adversarial Training	개인/기기 식별 정보 제거	Wang et al. (2025)	피험자 간 편차 (Inter-subject variability)
Contrastive Learning	특징 간 변별력 극대화	PITN (2024)	라벨 노이즈 및 데이터 부족
Physics-Informed	생리학적 제약 조건 추가	PITN (2024)	비논리적 예측값 방지
Domain Weighting	데이터셋 간 분포 일치	Benchmarking Study (2025)	도메인 전이 (Domain Shift)

----

이제 이것들을 읽고 조금 더 나만의 베이스라인을 찾아가볼 예정이다.

...투비컨티뉴드..