겹치는 가우시안 프로세스 혼합으로 데이터 연관성 해결

본 논문은 데이터 연관 문제를 해결하기 위해 새로운 가우시안 프로세스(GP) 혼합 모델인 Overlapping Mixture of Gaussian Processes(OMGP)를 제안한다. 데이터 연관은 여러 움직이는 객체가 생성한 관측값을 각각 어느 객체에 속하는지 식별하는 과제로, 기존 방법들은 주로 가팅(gating) 함수를 사용해 입력 공간에 따라 각 GP를 지역화한다. 그러나 가팅 기반 모델은 입력‑출력 관계가 사전에 어느 정도 알려져 있어야 하고, 관측이 불규칙하거나 궤적이 교차하는 상황에서 성능이 급격히 저하되는 단점이 있다. OMGP는 이러한 한계를 극복하기 위해 전역 GP를 M개 두고, 각 관측이 어느 GP에 의해 생성되었는지를 직접 추정한다. 구체적으로, N개의 관측에 대해 N×M 이진 행렬 Z를 도입한다. Z_nm = 1이면 n번째 관측이 m번째 잠재 함수(trajectory)를 따른다는 의미이며, 각 행에 하나의 1만 존재한다. 이 구조는 입력 공간과 무관하게 샘플 단위로 클러스터링이 이루어짐을 의미한다. 따라서 여러 객체가 동일한 시간에 관측을 생성하더라도, 각 관측은 독립적으로 가장 가능성이 높은 GP에 할당된다. 베이지안 프레임워크에서 Z와 각 GP의 잠재 함수 F^(m) 에 대해 사전분포를 정의한다. Z는 다항분포(π)로, 각 GP는 독립적인 GP 사전(N(0, K^(m)))을 갖는다. 사후분포는 직접 계산이 불가능하므로 변분 근사를 사용한다. 저자들은 q(F, Z) = q(F)q(Z) 형태의 완전 분해 변분 분포를 가정하고, Jensen 부등식을 이용해 증거 하한(L_VB)을 도출한다. 변분 업데이트는 두 단계로 진행된다. 첫 번째 단계에서는 Z에 대한 최적 q(Z)를 구한다. 이는 각 샘플에 대한 책임(weight) ˆπ_nm ∝ π_nm·exp(a_nm) 형태이며, a_nm은 현재 GP 평균·공분산과 관측값 차이를 기반으로 한 로그 가능도 항이다. 두 번째 단계에서는 각 GP의 잠재 함수에 대한 q(F^(m))를 갱신한다. 이는 표준 GP 회귀와 동일한 형태의 평균 μ^(m)와 공분산 Σ^(m)를 산출한다. Σ^(m) = (K^(m)^{-1} + B^(m))^{-1}이며, B^(m)는 ˆπ_nm/σ² 로 구성된 대각 행렬이다. 두 단계는 각각 L_VB를 비감소시키며, 따라서 알고리즘은 지역 최적점에 수렴한다. 복잡도 측면에서 Z 업데이트는 O(NM), GP 업데이트는 O(MN³)이다. 이는 전통적인 GP와 동일한 규모 제한을 갖지만, ˆπ_nm이 거의 0인 경우 해당 샘플을 무시함으로써 실제 연산량을 크게 줄일 수 있다. 또한 FITC와 같은 희소 GP 기법을 적용해 O(MN) 수준으로 비용을 낮출 수 있다. 하이퍼파라미터(커널 파라미터 θ, 노이즈 σ², 가중치 π) 선택을 위해 변분 하한을 직접 최적화하는 대신, KL‑보정 변분 하한(L_CorrVB)을 도입한다. 이 하한은 기존 L_VB보다 더 타이트하며, KL 발산 형태로 표현되어 최적화가 보다 안정적이다. 따라서 모델은 자동으로 커널 길이척도와 신호 강도를 학습하면서, 각 GP가 담당할 데이터 클러스터를 동적으로 재조정한다. 실험에서는 세 가지 주요 시나리오를 다룬다. 첫째, 1차원 및 2차원 다중 목표 추적 시뮬레이션에서 OMGP는 관측이 교차하거나 시간 간격이 불규칙한 경우에도 정확히 라벨을 복원하였다. 둘째, 합성 데이터에서 궤적이 교차하는 상황에서 기존 JPDAF·MHT와 같은 전통적 연관 알고리즘보다 높은 정확도와 낮은 혼동률을 보였다. 셋째, 전통적인 회귀 벤치마크(예: UCI 데이터셋)에서 다중 출력이 섞여 있는 경우, OMGP는 각 출력별 GP가 자동으로 할당되어 단일 GP 대비 예측 오차가 현저히 감소하였다. 논문의 주요 기여는 다음과 같다. (i) 가팅 없이 전역 GP를 겹쳐 사용함으로써 데이터 연관 문제를 배치 방식으로 해결한 점, (ii) 변분 베이지안 프레임워크를 이용해 라벨과 하이퍼파라미터를 동시에 효율적으로 학습한 점, (iii) KL‑보정 변분 하한을 도입해 하이퍼파라미터 최적화를 안정화한 점이다. 이러한 접근은 실시간 트래킹이 요구되는 로봇 비전, 레이더·센서 융합, 그리고 복수의 비선형 관계가 동시에 존재하는 복합 회귀 문제에 널리 적용될 수 있다.