연속·이산 데이터용 확장 그래프 모델: 지수 트레이스 접근법

본 논문은 그래프 모델링에서 가장 널리 사용되는 가우시안 그래프 모델을 일반화하여, 연속형, 이산형, 그리고 두 종류가 혼합된 데이터를 모두 포괄할 수 있는 새로운 프레임워크인 “지수 트레이스 모델(Exponential Trace Models, ETM)”을 제안한다. 저자들은 먼저 가우시안 밀도 f_Σ(x)= (2π)^{-p/2}|Σ|^{-1/2} exp{−½ xᵀΣ⁻¹x} 를 트레이스 내적 형태 −⟨Σ⁻¹, xxᵀ⟩ₜᵣ /2 로 재표현한다. 이때 데이터와 파라미터가 대칭적인 행렬 내적으로 연결되면, 보다 일반적인 함수 T(x) 와 파라미터 M 을 도입해 확장할 수 있다는 직관을 얻는다. 프레임워크의 핵심 정의는 다음과 같다. - 측도 ν 는 σ‑유한이며, 정의역 D⊂ℝ^p 는 연속, 이산, 혹은 혼합형일 수 있다. - 파라미터 M∈𝓜⊂ℝ^{q×q} 는 볼록하고 열린 집합이며, γ(M)=log∫_D exp{−⟨M,T(x)⟩ₜᵣ+ξ(x)} dν 가 유한하도록 한다. - 데이터 변환 함수 T:D→ℝ^{q×q} 와 추가 스칼라 함수 ξ:D→ℝ 을 정의한다. 이때 모델 밀도는 f_M(x)=exp{−⟨M,T(x)⟩ₜᵣ+ξ(x)−γ(M)} 으로 주어지며, 이는 지수족(exp‑family)의 한 형태이면서도 전통적인 “쌍별 상호작용(pairwise interaction)” 모델과는 다른 구조적 자유도를 가진다. 특히 q≠p 일 수 있어, 혼합형 데이터(예: 연속형 바이오마커와 이산형 진단 코드)에서도 간결하게 표현할 수 있다. **이론적 성질** 1. 𝓜*={M:γ(M)<∞} 는 볼록 집합이며, M∈𝓜* 이면 T(X) 의 모든 차수 모멘트가 존재한다(Lemma 2.1). 2. 로그 정규화 γ(M) 는 볼록하고 부드러우며, 그 그라디언트는 ∇γ(M)=E_M