그룹 라쏘의 강력한 그룹 희소성 이점

본 논문은 고차원 선형 회귀 모델에서 변수들을 사전 정의된 그룹으로 묶어 동시에 선택·제거하는 그룹 라쏘(Group Lasso)의 이론적·실험적 성능을 심층적으로 탐구한다. 연구의 출발점은 기존 라쏘(Lasso)가 변수 수준에서 희소성을 강제하지만, 실제 데이터에서는 변수들이 자연스럽게 그룹을 이루는 경우가 많다는 점이다. 이러한 구조적 정보를 활용하면 모델 복원 정확도와 샘플 효율성을 동시에 개선할 수 있다는 가설을 검증하기 위해, 저자들은 ‘강한 그룹 희소성(strong group sparsity)’이라는 새로운 개념을 도입한다. 강한 그룹 희소성은 두 가지 핵심 조건을 포함한다. 첫째, 전체 변수 집합이 G개의 비중첩 그룹으로 분할될 때, 실제 신호는 소수 s_g개의 그룹에만 비제로 값을 가진다. 둘째, 활성화된 각 그룹 내부에서도 대부분의 변수는 0에 가깝고, 오직 소수의 변수만이 중요한 기여를 한다. 이러한 이중 희소성 구조는 실제 생물학, 이미지 처리, 신호 복원 등에서 흔히 관찰된다. 저자들은 이를 수학적으로 정의하고, 이를 만족하는 신호 x∗에 대해 그룹 라쏘 최적화 문제 \