등방성 PCA와 어파인 불변 클러스터링

**1. 서론 및 동기** 본 논문은 고차원 데이터에서 가우시안 혼합 모델을 비지도 학습하는 문제를 다룬다. 기존의 EM, k‑means 등은 초기화에 민감하고, 차원·분산이 큰 경우에는 이론적 보장이 약하다. 특히, 어파인 변환(스케일링·회전·이동)에 따라 성능이 크게 달라지는 점이 실용적인 한계로 지적되어 왔다. 저자들은 이러한 문제를 해결하기 위해 **등방성 PCA(isotropic PCA)** 라는 새로운 프레임워크를 제안한다. **2. 관련 연구** 가우시안 혼합 학습에서는 크게 두 갈래가 있다. 첫 번째는 거리 집중을 이용해 “평균 사이 거리 > 내부 분산”을 요구하는 방법으로, 차원이 증가하면 요구 조건이 급격히 강화된다. 두 번째는 스펙트럴 방법(PCA)으로, 상위 k개의 주성분이 평균 스팬을 포함한다는 사실을 이용하지만, 여기에도 각 성분의 최대 분산이 영향을 미친다. 특히, “두 평행 팬케이크”와 같이 한 방향에만 구분이 가능한 경우 기존 방법은 실패한다. **3. 주요 정의와 개념** - **등방성 변환**: 데이터의 평균을 0으로 이동하고, 공분산을 I 로 만드는 선형 변환. - **Fisher 서브스페이스**: (k‑1) 차원 서브스페이스 S가 평균들(μ_i)의 스팬과 일치하고, J(S)=E