희소 주성분 분석을 위한 증강 라그랑주 최적화 기법

**1. 서론 및 배경** 주성분 분석(PCA)은 데이터의 차원을 축소하고 주요 변동성을 포착하는 데 널리 사용되는 통계 기법이다. 그러나 전통적인 PCA는 각 주성분이 모든 원변수의 선형 결합으로 표현되기 때문에 해석이 어려운 것이 단점이다. 이를 보완하기 위해 희소 PCA(sparse PCA)라는 연구 분야가 등장했으며, L1 정규화, 제약 기반 방법, 회전 기반 방법 등 다양한 접근법이 제안되었다. 기존 방법들은 주로 가중치의 희소성을 강조했지만, 그 과정에서 (i) 주성분 간 상관성이 증가하고, (ii) 로딩 벡터가 직교하지 않으며, (iii) 설명 분산을 과대평가하는 경향이 있다. 이러한 문제는 특히 해석이 중요한 분야(예: 유전학, 금융)에서 큰 제약이 된다. **2. 문제 정의 및 새로운 모델** 저자들은 “희소하면서도 거의 무상관이며, 로딩 벡터가 직교하는” 주성분을 찾는 새로운 최적화 모델을 제시한다. 구체적으로, 데이터 행렬 \(X\in\mathbb{R}^{n\times p}\)에 대해 로딩 행렬 \(W\in\mathbb{R}^{p\times r}\)와 주성분 행렬 \(Y = XW\)를 구한다. 목표는 \