가중 핵노름 최소화의 전역 최적 해와 닫힌 형태 해법

본 논문은 최근 컴퓨터 비전 및 머신러닝 분야에서 널리 활용되는 핵노름 최소화(NNM) 문제의 한계를 지적하고, 이를 일반화한 가중 핵노름 최소화(WNNM) 모델의 전역 최적 해를 이론적으로 규명한다. 1. **배경 및 문제 정의** NNM은 행렬의 랭크를 완화하기 위해 핵노름(특이값의 합)을 최소화하는 방법으로, 볼록(convex)이며 효율적인 솔버가 존재한다. 그러나 모든 특이값에 동일한 패널티를 부여하기 때문에, 실제 데이터에서 큰 특이값이 중요한 정보를 담고 있는 경우 이를 충분히 활용하지 못한다. 이를 보완하기 위해 가중 핵노름 ‖X‖_{*}^{w}=∑_{i} w_i σ_i(X) 를 도입한다. 여기서 w_i≥0는 각 특이값에 부여되는 가중치이며, 일반적으로 w_i가 작을수록 해당 특이값을 더 크게 유지한다. 2. **기존 연구와 한계** Gu 등