인공지능 기반 채널 복호기의 작은 채널 변화에 대한 취약성에 대한 연구

On the Fragility of AI-Based Channel Decoders under Small Channel Perturbations

최근 딥러닝 기술의 발전으로 인해, AWGN 채널에서 기존의 벨리프 프로퍼게이션(BP) 복호화 방식보다 성능이 향상된 인공지능 기반 오류 수정 복호화기가 개발되었습니다. 이러한 발전은 매우 긍정적이지만, 다음과 같은 근본적인 질문이 남아 있습니다. 이러한 성능 향상은 어디에서 비롯되는가, 그리고 이를 달성하기 위해 어떤 대가를 치르는가? 본 연구에서는 채널 출력에서의 분포 변화에 대한 강건성이라는 관점에서 이러한 질문을 연구합니다. 입력 의존적 적대적 공격(FGM 및 $\ell_2$ 제약 조건 하의 투영 경사 방법)과 모든 수신 벡터에 단일 노름-제한된 변화를 적용하는 보편적 적대적 공격을 모두 평가합니다. 우리의 결과는 최근 개발된 ECCT 및 CrossMPT를 포함한 인공지능 복호화기가 i.i.d. AWGN 환경에서는 우수한 성능을 보이지만, 이러한 공격에 의해 상당한 성능 저하를 겪을 수 있음을 보여줍니다. 또한, 적대적 공격은 인공지능 복호화기 간에 비교적 강하게 전이되지만, BP 기반 복호화기에는 약하게 전이되며, 보편적 공격은 동일한 노름을 가진 무작위 공격보다 훨씬 더 해롭습니다. 이러한 수치적 결과는 최근 인공지능 복호화기의 성능 향상에 잠재적인 강건성 비용과 채널 분포에 대한 높은 민감성이 존재할 수 있음을 시사합니다.

Recent advances in deep learning have led to AI-based error correction decoders that report empirical performance improvements over traditional belief-propagation (BP) decoding on AWGN channels. While such gains are promising, a fundamental question remains: where do these improvements come from, and what cost is paid to achieve them? In this work, we study this question through the lens of robustness to distributional shifts at the channel output. We evaluate both input-dependent adversarial perturbations (FGM and projected gradient methods under $\ell_2$ constraints) and universal adversarial perturbations that apply a single norm-bounded shift to all received vectors. Our results show that recent AI decoders, including ECCT and CrossMPT, could suffer significant performance degradation under such perturbations, despite superior nominal performance under i.i.d. AWGN. Moreover, adversarial perturbations transfer relatively strongly between AI decoders but weakly to BP-based decoders, and universal perturbations are substantially more harmful than random perturbations of equal norm. These numerical findings suggest a potential robustness cost and higher sensitivity to channel distribution underlying recent AI decoding gains.