비대칭 구조적 노이즈가 존재하는 상황에서 기존의 최소 제곱법 기반 강건 회귀 기법의 한계를 극복하기 위해, 트랜스포머 인코더, 압축 신경망, 그리고 고정된 심볼릭 방정식으로 구성된 하이브리드 신경-심볼 아키텍처를 제안합니다. 합성 데이터를 사용하여 비대칭 구조적 노이즈 추가 후 원래 시퀀스를 복원하는 것을 학습 목표로 설정하여, 신경망을 통한 파라미터 추정으로 유도되는 심볼릭 피팅을 학습합니다. 합성 웨어러블 데이터에 대한 실험 결과, 제안된 모델은 중앙값 회귀 MSE가 6e-6에서 3.5e-5로, 최소 제곱법 및 Huber 손실이나 SoftL1과 같은 강건 회귀 기법에 비해 10배에서 300배까지 성능 향상을 보였습니다.
