본 논문은 목표 지향적 통신 분야에서 압축된 이미지로부터의 분류 작업을 중심으로, 데이터 재구성 없이 수신된 부호화 데이터에서 직접 학습 작업(분류, 분할, 패턴 인식 등)을 수행하는 방법을 연구합니다. 기존의 허프만 및 산술 부호화와 같은 엔트로피 부호화 방법은 압축에는 효과적이지만 데이터 구조를 손상시켜 복호화 없이 직접 학습하기에 적합하지 않습니다. 본 논문에서는 채널 부호화를 위해 설계된 저밀도 패리티 검사(LDPC) 코드를 대안적인 엔트로피 부호화 방법으로 제시하고, LDPC 코드의 구조적 특성을 딥러닝 모델이 분류 작업에 더 효과적으로 활용할 수 있다는 가설을 세웁니다. 수신단에서는 GRU 모델을 훈련하여 LDPC 부호화된 데이터에서 직접 이미지 분류를 수행합니다. MNIST, Fashion-MNIST, CIFAR 데이터셋을 사용한 실험 결과, LDPC 코드는 허프만 및 산술 부호화보다 분류 작업에서 성능이 우수하며, 훨씬 작은 학습 모델을 필요로 함을 보여줍니다. 또한, LDPC 코드가 기존 엔트로피 부호화 기법보다 데이터 구조를 더 효과적으로 보존하는 이유와 주요 코드 매개변수가 분류 성능에 미치는 영향을 분석합니다. 이러한 결과는 LDPC 기반 엔트로피 부호화가 학습 효율성과 모델 복잡성 사이에서 최적의 균형을 제공하며, 사전 복호화가 필요 없음을 시사합니다.
