밀리 데이터 복원을 위한 연속 시퀀스 재구성 방법

초록

본 논문은 다차원 실수 벡터 시퀀스에서 일부 값이 누락된 경우를 다루며, 저차원 매니폴드와 연속성이라는 두 가지 중복성을 활용해 확률적 밀도 모델(Generative Topographic Mapping) 기반의 후보 복원을 생성하고, 동적 프로그래밍으로 전역 최적의 연속 시퀀스를 선택하는 알고리즘을 제안한다.

상세 분석

이 연구는 “벡터 중복성”과 “시퀀스 중복성”이라는 두 가지 가정을 핵심으로 삼는다. 벡터 중복성은 관측된 변수들이 저차원 매니폴드에 제한된다는 전제로, 관측값만으로도 누락된 변수들을 강하게 제약할 수 있음을 의미한다. 시퀀스 중복성은 연속적인 시점에서 벡터들이 서로 가깝다는 가정으로, 시간적 연속성 혹은 공간적 인접성을 이용해 전역적인 일관성을 부여한다. 이러한 가정을 정량화하기 위해 저자는 공동 확률 밀도 함수 p(t) 를 모델링한다. 구체적으로는 Generative Topographic Mapping(GTM)을 이용해 고차원 데이터를 Gaussian Mixture Model 형태로 근사한다. GTM은 비선형 매핑을 통해 저차원 잠재공간을 정의하고, 각 잠재점에 대한 Gaussian 컴포넌트를 배치함으로써 전체 데이터 분포를 파라미터화한다.

누락된 변수들의 후보값은 조건부 분포 p(y|x) 의 모드들을 모두 추출함으로써 얻어진다. 여기서 x는 관측된 변수 집합, y는 누락된 변수 집합이다. 다중 모드가 존재하는 경우, 즉 다값 매핑(one‑to‑many) 상황에서 단일 평균값을 사용하는 전통적인 회귀와 달리, 모든 모드를 후보로 보존한다. 이렇게 생성된 후보 집합은 각 시점마다 독립적인 “점별 복원”을 제공한다.

전역 최적화를 위해 저자는 복원된 시퀀스의 전체 길이(연속성 위반 정도)를 비용 함수로 정의하고, 동적 프로그래밍(DP) 알고리즘을 적용한다. DP는 각 시점의 후보들 사이에 가능한 전이 비용을 계산하고, 전체 시퀀스에서 최소 비용 경로를 찾는다. 이 과정은 마치 Viterbi 알고리즘이 숨은 마코프 모델(HMM)에서 최적 상태 시퀀스를 찾는 것과 유사하지만, 여기서는 연속성 제약과 후보 모드 간 거리(예: 유클리드 거리)를 이용한다.

실험에서는 두 가지 사례가 제시된다. 첫 번째는 인공적인 2차원 매니폴드 위에 잡음과 누락을 인위적으로 부여한 toy problem이며, 두 번째는 로봇 팔의 역기구학(inverse kinematics) 문제이다. 역기구학에서는 관절 각도(숨은 변수)와 말단 위치(관측 변수) 사이가 다값 매핑을 형성한다. 제안된 방법은 기존의 단일값 회귀 기반 기법에 비해 누락된 관절 각도를 정확히 복원하고, 물리적으로 불가능한 급격한 움직임을 방지한다는 점에서 우수성을 입증한다.

이 논문의 주요 기여는 (1) 다값 매핑을 자연스럽게 다루는 조건부 모드 추출 기법, (2) 연속성 제약을 전역 최적화에 통합한 동적 프로그래밍 프레임워크, (3) GTM 기반의 확률적 밀도 모델을 이용해 저차원 매니폴드 가정을 정량화한 점이다. 또한, 누락 패턴이 시점마다 달라지는 일반적인 상황에서도 적용 가능하다는 점에서 실용적 가치가 높다. 다만, 후보 모드 탐색 비용과 DP의 복잡도가 후보 수에 비례해 증가하므로, 고차원·대규모 데이터에 대한 효율적인 근사 방법이 향후 연구 과제로 남는다.