Convolution 정리와 경계 조건

국소 규칙에는 경계 규칙이 필요합니다

Convolution은 같은 선형 규칙을 위치마다 반복하는 연산입니다. impulse response h는 입력 한 점이 주변 출력으로 어떻게 퍼지는지 나타냅니다. 유한 지지 신호를 무한한 정수 축에 0으로 연장하면 선형 convolution이 되고, 고정 길이 N에서 끝을 처음으로 감으면 순환 convolution이 됩니다.

두 식은 서로 다른 연산자입니다. AI 라이브러리에서 convolution이라고 부르는 correlation도 뒤집기·켤레 관례가 다를 수 있으므로 실제 정의를 확인해야 합니다.

네 점 입력을 손으로 계산하기

x=[1,0,0,2], h=[1,r]로 둡니다. r=0.5이면 선형 출력은 [1,0.5,0,2,1]입니다. 마지막 1은 입력의 마지막 2가 지연 tap 0.5와 곱해진 결과입니다. 길이 4의 순환 출력은 [2,0.5,0,2]입니다. 마지막 1이 index 0으로 감겨 기존 1에 더해졌습니다.

파랑은 선형 출력 다섯 점, 주황은 순환 출력 네 점입니다. 선택한 출력 길이 밖의 index는 이 보기에서 정의되지 않으며 새로 관측된 0이 아닙니다. 순환 모드에서 index 4를 질의하면 선택 출력 수치가 비어 있는 이유입니다.

주파수 곱셈 정리가 적용되는 경계

DFT는 순환 이동을 대각화합니다. convolution 합을 전개한 뒤 유한 주기 합의 index를 다시 정리하면 다음 관계를 얻습니다.

같은 방법으로 선형 출력을 얻으려면 두 입력을 최소 4+2−1=5 길이로 zero padding해야 합니다. 실험은 radix-two FFT를 쓰기 위해 길이 8을 택합니다. 역변환하면 선형 출력 다섯 점 뒤에 0 세 점이 나옵니다. 길이 4로만 padding하면 앞서 본 wrap이 생깁니다. 재구성 오차는 선택한 경계의 참조 출력과 복소수 역변환값을 비교합니다.

직접 풀기와 연구에서 확인할 것

r=−1일 때 첫 출력을 예측하세요. 선형 index 0은 1이고, 순환 index 0은 마지막 기여 −2가 더해져 −1입니다. 두 모드를 바꿔 표로 검산하세요. r=0이면 공통 index의 값은 같아지지만 출력 길이는 여전히 다릅니다.

영상 복원이나 Fourier neural operator에서 주파수 곱셈은 경계 관례를 내포합니다. 같은 내부 kernel이라도 zero padding·주기 연장·다른 경계 연장은 서로 다른 가장자리 결과를 만듭니다. 빠른 계산이 가능하다는 사실만으로 그 경계가 데이터에 적합하다고 결론낼 수 없습니다. 정확도를 비교하기 전에 연장과 crop 규칙까지 모형의 일부로 명시하세요.

추가 읽기: MIT 6.003, Signals and Systems lecture notes.