본 논문은 다양한 전극 배열, 획득 프로토콜 및 하드웨어 차이로 인한 데이터 분포 변화로 어려움을 겪는 뇌파(EEG) 신호 분류 문제를 해결하기 위해 새로운 채널 의존적 마스크 및 대치 자기 지도 학습 프레임워크인 IMAC을 제시한다. IMAC은 3D-to-2D 위치 통합 매핑 전략을 사용하여 서로 다른 전극 배열을 표준화하고 통합된 공간 표현을 구축하여 도메인 간 EEG 데이터 이동의 정렬을 공간 시계열 대치 작업으로 공식화한다. 채널 의존적 마스크와 저해상도에서 고해상도 EEG 공간 대치 문제로 구성된 재구성 작업을 통해 공간-시간 신호 정렬을 수행한다. 이는 채널 누락 및 시간적 불안정성과 같은 도메인 간 변화를 시뮬레이션하여 모델이 추론 중 강력한 신호 정렬을 위해 제안된 대치기를 활용할 수 있도록 한다. 또한, 시간 및 공간 정보를 별도로 모델링하는 분리된 구조를 통합하여 계산 복잡성을 줄이면서 유연성과 적응성을 향상시킨다. 10개의 공개적으로 이용 가능한 EEG 데이터 세트에 대한 포괄적인 평가는 교차 피험자 및 교차 센터 검증 시나리오에서 최첨단 분류 정확도를 달성하는 IMAC의 우수한 성능을 보여준다. 특히, IMAC은 시뮬레이션된 및 실제 분포 변화 모두에서 강력한 강건성을 보이며, 일관된 분류 정확도를 유지하면서 무결성 점수에서 기준 방법보다 최대 35% 향상되었다.
