본 논문에서는 무선 통신의 고유한 특성과 제약을 고려하여, 자기 지도 학습을 무선 채널 표현에 적용하는 새로운 방법을 제시합니다. 먼저, 실제 다중 안테나 무선 채널 데이터셋을 사용하여 사전 훈련된 Transformer 기반 인코더-디코더 기본 모델인 WiMAE(Wireless Masked Autoencoder)를 제안합니다. 이후, 재구성 작업과 함께 대조 학습 목표를 통합한 다중 작업 프레임워크를 통해 WiMAE를 개선한 ContraWiMAE를 개발합니다. ContraWiMAE는 WiMAE의 사전 훈련된 가중치를 활용하고 잡음 주입을 통해 양성 쌍을 생성하여, 구조적 및 차별적 특징 모두를 포착함으로써 재구성만으로는 달성할 수 없는 표현 품질 향상을 제공합니다. 다양한 하위 작업에 대한 광범위한 평가를 통해 두 방법의 효과를 입증하고, 특히 ContraWiMAE가 다양한 무선 환경에서 선형 분리성과 적응성을 향상시킨다는 것을 보여줍니다. 기존 최첨단 무선 채널 기본 모델과의 비교 평가를 통해 제안된 모델의 우수한 성능과 데이터 효율성을 확인하고, 향후 자기 지도 무선 채널 표현 학습 연구를 위한 강력한 기준 모델로서의 잠재력을 강조합니다.
