무작위 행렬 이론으로 찾는 핵심 고유영상
본 논문은 주성분 분석(PCA) 후 남는 고유모드 중 실제 신호를 담고 있는 ‘관련 고유영상’만을 자동으로 구분하기 위해, 무작위 행렬 이론(Random Matrix Theory, RMT)과 통계적 적합도 검정(Goodness‑of‑Fit)을 결합한 새로운 방법을 제안한다. 마르첸코‑파스토르(MP) 법칙에 기반한 PDF와 실제 고유값 분포를 비교하여, 잔차 행렬이 순수 무작위 행렬과 가장 잘 맞도록 하는 고유값 개수(즉, 관련 고유영상 수)를 …
저자: Yu Ding, Yiu-Cho Chung, Kun Huang
본 논문은 고차원 데이터의 차원 축소 과정에서 신호를 포함한 고유모드와 순수 잡음 고유모드를 구분하는 문제를 다루며, 이를 해결하기 위해 무작위 행렬 이론(Random Matrix Theory, RMT)과 통계적 적합도 검정(Goodness‑of‑Fit, GOF)을 결합한 새로운 방법을 제안한다.
**1. 서론**
패턴 인식, 머신러닝, 컴퓨터 비전 등에서 PCA, MDS, 스펙트럴 클러스터링 등 고유값 분해 기반 기법이 널리 사용되지만, 몇 개의 고유벡터를 유지해야 하는가에 대한 객관적 기준이 부족했다. 전통적으로는 고유값 그래프의 ‘무릎(knee)점’ 등을 경험적으로 선택했지만, 이는 주관적이며 잡음 수준에 민감하다. 최근 RMT는 복잡계 시스템에서 고유값 분포를 정확히 기술할 수 있음을 보여주었으며, 특히 무작위 공분산 행렬의 고유값이 마르첸코‑파스토르(MP) 법칙을 따른다.
**2. 이론적 배경**
데이터 행렬 A를 저‑랭크 신호 행렬 S₀와 IID 잡음 행렬 n의 합으로 모델링한다(A = S₀ + n, M
원본 논문
고화질 논문을 불러오는 중입니다...
댓글 및 학술 토론
Loading comments...
의견 남기기