반복참조 정렬을 위한 반정밀 프로그래밍 접근

본 논문은 다중 시프트 관측값으로부터 원본 신호를 복원하는 반복참조 정렬(Multireference Alignment, MRA) 문제를 다루며, 특히 관측이 순환 이동과 가우시안 잡음으로 변형된 경우에 초점을 맞춘다. 문제 설정은 다음과 같다. 길이 L 의 신호 x∈ℝ^L 가 존재하고, N 개의 관측 y_i = R_{l_i}x + ξ_i (i=1,…,N) 가 주어진다. 여기서 R_{l}는 순환 이동 연산자이며, ξ_i는 평균 0, 분산 σ^2 인 i.i.d. 가우시안 잡음이다. 목표는 x와 각 이동 l_i 를 동시에 추정하는 것이지만, 실제로는 이동을 먼저 복원한 뒤 평균을 통해 x 를 얻는 것이 일반적이다. 전통적인 접근법은 (2)와 같이 하나의 관측을 기준으로 다른 관측들을 최소 거리로 정렬하거나, (3)과 같이 모든 쌍의 상대 이동을 추정해 angular synchronization 문제로 변환한다. 그러나 이러한 방법은 각각 한 쌍 혹은 모든 쌍의 최적 상대 이동만을 고려해 전역 최적을 놓치기 쉽다. 이를 보완하기 위해 저자들은 quasi‑maximum likelihood estimator (QMLE)인 식 (4)를 제안한다. 이 식은 모든 (i,j) 쌍에 대해 R_{-l_i}y_i와 R_{-l_j}y_j의 내적을 최대화하는 l_i 집합을 찾는다. 하지만 (4)의 탐색 공간은 L^N 로 지수적으로 커서 NP‑hard임을 Theorem 2.1 로 증명한다. 구체적으로, Γ‑MAX‑2LIN(q) 문제로부터 무작위 감소를 구성해 16/17‑approximation 이하의 보장을 얻는 것이 불가능함을 보이며, Unique‑Games hardness까지 확장한다. 따라서 전역 최적을 직접 구하는 것은 실용적이지 않다. 이러한 난이도를 극복하기 위해 저자들은 SDP 완화식을 설계한다. 먼저 이동 l_i 를 indicator 변수 u_{ik}∈{0,1} 로 표현하고, Gram 행렬 U =