온라인에서 부분 정보만으로 강인한 서브스페이스 추적

초록

본 논문은 결측치와 희소한 이상치가 섞인 스트리밍 데이터에 대해, Grassmannian 위에서 l₁ 손실을 최소화하는 온라인 알고리즘 GRASTA를 제안한다. ADMM 기반의 교대 최적화와 Grassmannian 경사 하강을 결합해 서브스페이스를 실시간으로 추정·갱신하며, 행렬 완성과 비디오 배경‑전경 분리 등 다양한 응용에서 기존 방법보다 월등히 빠르고 견고한 성능을 보인다.

상세 분석

GRASTA는 기존 온라인 서브스페이스 추적 알고리즘인 GROUSE가 l₂ 손실에 의존해 이상치에 취약하다는 점을 개선한다. 핵심 아이디어는 관측된 부분 데이터 v₍Ω₎와 서브스페이스 행렬 U의 곱 U₍Ω₎w 사이의 차이를 l₁ 노름으로 측정하는 것이다. l₁ 손실은 희소한 큰 오염(s) 에 대해 강인성을 제공하며, 이를 최소화하기 위해 ADMM(Alternating Direction Method of Multipliers) 기반의 이중 변수 (s, w, y)를 도입한다.

알고리즘은 두 단계로 구성된다. 첫 번째 단계에서는 현재 서브스페이스 U를 고정하고, ADMM을 이용해 (s, w, y)를 최적화한다. 여기서 s는 희소한 이상치 벡터, w는 서브스페이스 좌표, y는 라그랑주 승수이다. 두 번째 단계에서는 (s, w, y)를 고정한 채로 U를 Grassmannian G(d, n) 위에서 경사 하강법으로 업데이트한다. 이때 사용되는 기울기는 증강 라그랑주 함수의 미분 형태이며, U는 직교성을 유지하도록 재정규화한다.

GRASTA의 연산 복잡도는 각 시간 단계마다 O(|Ω|d) 정도로, 관측된 엔트리 수와 서브스페이스 차원에 선형적으로 의존한다. 이는 전체 행렬에 대해 SVD를 반복 수행하는 전통적 RPCA 방법에 비해 수십 배 빠른 속도를 가능하게 한다. 특히 비디오 스트리밍에서 57fps(프레임/초)라는 실시간 처리 속도를 MATLAB 환경에서도 달성했다.

이론적 측면에서는 서브스페이스 오류를 l₁ 손실로 정의함으로써, 결측 데이터가 충분히 많고(ℓ₁ 복원 이론에 기반한 incoherence 조건) 희소한 이상치가 존재해도 정확한 서브스페이스를 복원할 수 있음을 보인다. 또한, GRASTA는 동적인 서브스페이스 변화를 자연스럽게 추적한다. 기존 연구인