시간 상관성을 고려한 블록 희소 베이지안 학습 기반 다중 측정 벡터 복원

초록

본 논문은 다중 측정 벡터(MMV) 모델에서 각 비영 행의 시간적 상관성을 명시적으로 모델링하는 블록 희소 베이지안 학습(bSBL) 프레임워크를 제안한다. 두 가지 알고리즘(T‑SBL, T‑MSBL)을 도출하여 기존 MMV 복원 기법보다 높은 복원 정확도와 낮은 행 희소성 요구를 보이며, 전역 최소점이 가장 희소한 해임을 이론적으로 증명한다. 실험을 통해 높은 시간 상관성 상황에서도 우수한 성능을 확인한다.

상세 분석

이 논문은 기존 MMV 복원 방법이 “공통 희소성” 가정만을 이용하고, 각 소스 벡터의 시간적 구조를 무시한다는 한계를 정확히 지적한다. 저자들은 이를 극복하기 위해 MMV 모델을 블록 형태의 SMV 모델로 변환하는 bSBL 프레임워크를 설계한다. 핵심 아이디어는 각 행 Xᵢ·을 L‑차원 가우시안 벡터로 보고, 그 공분산을 γᵢ B 형태로 파라미터화하는 것이다. 여기서 γᵢ는 행의 활성화 여부를 제어하는 스칼라 하이퍼파라미터이며, B는 모든 행에 공통적인 양정(positive‑definite) 행렬로서 시간 상관성을 포착한다.

변환 후 y = Dx + v 형태의 블록‑SMV 식에서 D = Φ ⊗ I_L, x = vec(Xᵀ) 로 정의하고, 가우시안 사전과 가우시안 잡음 모델을 결합해 증거 최대화(Type‑II ML)를 수행한다. EM 알고리즘을 이용해 γ와 B, 잡음 분산 λ를 반복적으로 업데이트하는데, γ 업데이트는 각 블록의 평균 제곱값과 현재 추정된 B의 트레이스를 이용한 닫힌 형태 식으로 도출된다. B는 전체 데이터에 대한 공분산 추정식으로, 행렬 역과 트레이스 연산을 포함하지만, 하나의 B만을 공유함으로써 파라미터 수를 크게 줄여 과적합을 방지한다.

두 가지 구현 변형이 제시된다. T‑SBL는 변환된 고차원 블록‑SMV 공간에서 직접 EM을 수행해 정확도는 최고지만 연산 복잡도가 O(N L M²) 수준으로 높다. 이를 개선한 T‑MSBL은 원래 MMV 파라미터 공간에서 동일한 업데이트 식을 재구성해 연산량을 O(N M L) 로 낮추면서도 성능 손실이 거의 없음을 실험적으로 입증한다.

이론적 분석에서는 비용 함수 L(Θ) = yᵀΣ_y⁻¹y + log|Σ_y| 의 전역 최소점이 잡음이 없을 때 가장 희소한 해와 일치함을 정리 1 로 증명한다. 또한 지역 최소점의 구조를 탐구해, γᵢ가 0이 되는 경우 해당 블록이 완전히 제거되는 “프루닝” 메커니즘이 자연스럽게 발생함을 보인다. 이러한 특성은 기존 ℓ₁ 기반 방법이 종종 비희소 해에 수렴하는 문제를 회피한다.

실험에서는 합성 데이터와 실제 EEG/MEG, DOA 시나리오를 사용해 다양한 L, SNR, 그리고 시간 상관 계수 ρ에 대해 성능을 평가한다. 특히 ρ ≥ 0.9 인 고상관 상황에서 MSBL·M‑FOCUSS·ℓ₂,₁ 최소화 등 기존 알고리즘은 복원 오류가 급격히 증가하지만, T‑MSBL은 오류가 미미하게 유지된다. 또한 행 수 K가 전체 M에 비해 매우 작아도(극단적 언더디터미네이션) 성공적인 복원이 가능함을 보여준다.

결과적으로, 이 논문은 (1) 시간 상관성을 명시적으로 모델링한 블록‑베이지안 프레임워크, (2) 전역 최소점이 가장 희소한 해와 일치한다는 강력한 이론적 보장, (3) 실용적인 고속 구현인 T‑MSBL을 제공함으로써, MMV 기반 압축 센싱 및 신호 복원 분야에 새로운 표준을 제시한다는 점에서 큰 의의를 가진다.