최적수송 투영으로 결합 데이터 확장

**1. 서론** 통계·머신러닝 대부분의 방법은 완전한 결합 데이터 Z₁,…,Z_m을 전제로 한다. 그러나 실제 조사·연구에서는 비용·프라이버시·표본 추출 제약으로 인해 전체 모집단에 대한 결합 데이터는 소수에 불과하고, 대신 각 변수에 대한 대규모 주변(마진) 통계만이 제공된다. 기존 접근법은 (i) 설문 캘리브레이션—인구 평균을 맞추기 위해 가중치를 재조정하지만 결합 구조를 복원하지 못함, (ii) 결측 데이터 방법—마진을 이용해 사후분포를 추정하지만 강한 파라메트릭 가정과 복잡한 베이지안 연산을 요구, (iii) GMM 등—특정 모멘트만을 제약으로 사용해 파라미터 추정에 국한, (iv) 딥 생성 모델—블랙박스 학습으로 해석성이 낮다. 이러한 한계를 극복하고자, 저자들은 ‘최적수송 투영’이라는 기하학적 프레임워크를 제시한다. **2. 문제 정의** - 변수 공간 X_i, i=1,…,K, 마진 분포 µ_i, 결합 분포 π₀∈Π(µ) (마진이 µ_i와 일치). - 결합 샘플 {Z_j}_{j=1}^m → 경험적 결합 π̂₀ᵐ. - 마진 샘플 {X_{ij}}_{j=1}^n → 경험적 마진 µ_iⁿ, 전체 마진 벡터 µⁿ. 목표는 π̂ ∈Π(µⁿ) 중 π̂₀ᵐ와 Wasserstein 거리 W_p(·,·)가 최소인 분포를 찾는 것, 즉 (1.3)식. **3. 최적수송 투영 이론** - Π(µⁿ)는 약한 위상에서 콤팩트, W_p는 연속이므로 최소점 존재. - ‘Shadow’는 π̂₀ᵐ를 Π(µⁿ) 위에 투영한 결과이며, Eckstein‑Nutz의 결과를 활용해 명시적 표현을 도출한다(정리 3.5). - 일관성: µⁿ→µ (n→∞)이면, π̂→π₀ (m→∞)임을 보이며, 수렴 속도는 O_p(m^{-1/2}+n^{-1/2}) (정리 3.1, 3.3). - 유한 지원 경우(각 µ_i가 유한 원소 집합 위에 정의)에는 π̂가 다중선형 계획문으로 변환되고, 극한 분포는 다변량 정규분포로 표현된다(정리 4.5). 이를 통해 1‑α 수준의 신뢰구간을 구성한다. **4. 계산 알고리즘** - 직접 shadow 계산은 선형계획(LP) 형태이지만 규모가 커서 비현실적. - 엔트로피 정규화 ε>0를 도입해 Sinkhorn 반복을 적용, ‘엔트로피 섀도우’를 정의한다. - 알고리즘 복잡도는 O(m log m + n log n) 이며, GPU 병렬화가 가능해 대규모 데이터에 적합. - 정규화 파라미터 ε가 작을수록 원래 shadow에 근접하고, 이론적 오차는 O(ε) 로 제어된다. **5. 실험** - **합성 데이터**: 무한 지원(연속 분포)와 유한 지원(카테고리) 두 시나리오에서 m∈{500,1000,5000}, n∈{10⁴,10⁵,10⁶}을 변형. 수렴 그래프는 이론적 m^{-1/2}+n^{-1/2} 비율과 일치. - **극한 분포 검증**: 유한 지원 경우 10⁴ 반복 시 추정된 π̂의 평균과 공분산이 정규분포 이론과 일치함을 QQ‑plot과 Kolmogorov‑Smirnov 검정으로 확인. - **실제 데이터**: 미국 인구조사 ACS PUMS(≈6.13×10⁵)와 Summary File(≈1.28×10⁷)을 이용해 5개 변수(건강보험, 연령, 성별, 인종, 교육) 결합분포를 복원. 제안 방법은 마진 제약을 정확히 만족하면서, 기존 캘리브레이션 대비 변수 간 상관관계(예: 교육‑소득, 인종‑보험)의 추정 정확도가 크게 향상됨. 또한, 엔트로피 섀도우는 30분 내에 결과를 도출, 기존 MCMC 기반 결합 복원은 수시간이 소요되는 차이를 보였다. **6. 결론 및 향후 연구** 본 논문은 결합 데이터가 부족한 상황에서 마진 데이터를 활용해 전체 결합분포를 복원하는 새로운 비모수적 프레임워크를 제시한다. 최적수송 투영이라는 기하학적 해석을 통해 이론적 안정성, 샘플 복잡도, 극한 분포까지 완전히 규명했으며, 엔트로피 정규화 기반 알고리즘으로 실용성을 확보했다. 향후 연구는 (i) 고차원·연속 마진에 대한 스케일링, (ii) 비유클리드 거리와 비용 함수 일반화, (iii) 동적/시계열 데이터에 대한 연속적 투영 업데이트 등을 탐색할 예정이다.