본 논문은 생체 신호에 대한 강력한 표현 학습을 위해 확산 모델과 지도 대조 학습을 융합한 새로운 하이브리드 프레임워크인 DACL(Diffusion-Augmented Contrastive Learning)을 제안합니다. 이 프레임워크는 Scattering Transformer (ST) 특징을 기반으로 훈련된 경량 VAE(Variational Autoencoder)가 생성한 잠재 공간에서 작동합니다. 확산 모델의 순방향 프로세스를 데이터 증강 기술로 활용하여 잠재 임베딩의 여러 노이즈 뷰를 생성하고, U-Net 스타일 인코더를 사용하여 지도 대조 학습 목표를 통해 다양한 확산 시간 단계에서 노이즈에 강건하면서 클래스 구분이 가능한 표현을 학습합니다. PhysioNet 2017 ECG 데이터셋에 대한 실험 결과, AUROC 0.7815를 달성했습니다.
