동시 소스 기법을 이용한 비균일 데이터 분산 및 결측 데이터 처리

초록

본 논문은 지구물리학 역문제에서 다중 소스·수신기 데이터를 효율적으로 처리하기 위해, 표준편차가 균일하지 않거나 일부 데이터가 누락된 경우에도 적용 가능한 동시 소스( simultaneous source) 프레임워크를 확장한다. 비균일 분산 행렬 C 의 구조에 따라 데이터 보완, 저‑랭크 근사, 확률적 데이터 행렬 근사, 그리고 소스 서브샘플링 네 가지 전략을 제시하고, 이를 샘플 평균 근사(SAA) 기반 최적화와 결합해 직접 전류 저항성(DC‑Resistivity) 역문제에 적용한다. 실험 결과, 제안 기법들이 기존 방법 대비 메모리·연산량을 크게 절감하면서도 정확한 매개변수 복원을 달성함을 보인다.

상세 분석

이 논문은 PDE 기반 역문제에서 다중 우변을 동시에 처리하는 동시 소스 기법이, 데이터의 분산 행렬 C 가 단순히 스칼라 σ⁻¹ 으로 스케일링되는 경우에만 효율적으로 작동한다는 한계를 정확히 짚어낸다. 실제 지구물리학 실험에서는 센서마다 잡음 수준이 크게 다르거나, 특정 소스‑수신기 쌍이 물리적으로 측정되지 못하는 결측이 빈번히 발생한다. 이러한 비균일·불완전성을 그대로 두면 Hadamard 곱과 행렬‑벡터 곱이 교환되지 않아, 기존의 “동시 소스” 확률적 변환 ‖PᵀA⁻¹Qw−Dw‖₂ 을 그대로 적용할 수 없게 된다.

저자는 C 의 구조에 따라 네 가지 해결책을 제시한다. 첫 번째는 C 가 0‑1 행렬(즉, 결측만 존재)인 경우, 저차원(1D·2D) 모델을 이용해 결측 데이터를 보완하는 데이터 완성 기법이다. 이때 완성된 데이터 D_all 은 실제 관측 D_obs 와 저차원 모델이 생성한 D_red 의 가중합으로 구성되며, 이는 일종의 정규화 효과를 제공한다. 두 번째는 C 를 저‑랭크 행렬 X Zᵀ 로 분해하거나 근사함으로써, 원래의 Hadamard 곱을 k 개의 독립적인 행렬‑벡터 곱으로 전개한다. 이렇게 하면 각 샘플 w 에 대해 k 번의 선형 시스템 해결만으로 기대값을 추정할 수 있어, rank(C) 가 작을 때는 기존 동시 소스와 동일한 연산 복잡도를 유지한다. 세 번째는 C 가 고랭크이거나 저‑랭크 근사가 부적절할 때, ‖C⊙(PᵀA⁻¹Q−D)‖_F² 를 E_w‖C⊙((PᵀA⁻¹Qw−Dw)wᵀ)‖_F² 형태로 변형해 기대값을 노름 안으로 이동시킨다. 이는 일반적인 확률적 최적화 이론에 의해 수렴성을 보장받을 수 있지만, 샘플당 연산량이 증가한다는 트레이드오프가 있다. 마지막으로, 무작위 Kaczmarz 방식에 기반한 소스 서브샘플링을 도입한다. 매 반복마다 하나의 소스 j 만 선택해 ‖C_j⊙(PᵀA⁻¹Q_j−D_j)‖₂² 를 최소화함으로써, 전체 ns 개의 소스를 동시에 다루는 비용을 1/ns 로 감소시킨다. 다만, 소스 간 상관관계가 약하거나 각 소스가 제한된 영역에만 민감할 경우 수렴 속도가 저하될 수 있다.

이 모든 변형은 기대값을 근사하기 위해 샘플 평균 근사(SAA) 기법을 적용한다. SAA는 N 개의 독립 샘플 w_j 에 대해 J_N(u)=½∑_{j=1}^N‖f(u,w_j)‖₂²+αS(u) 을 최소화함으로, 실제 기대값 E_w‖f(u,w)‖₂² 에 대한 편향 없는 추정치를 제공한다. 저자는 Gauss‑Newton 방법을 사용해 2차 정보까지 활용함으로, 샘플 수 N 이 ns 보다 작아도 빠른 수렴을 달성한다. 또한, 정규화 파라미터 α 에 대한 연속적 감소 전략을 도입해 초기 과‑정규화에서 점진적으로 데이터 적합도를 높인다.

실험에서는 2‑D DC 저항성 모델을 대상으로 네 가지 기법을 비교한다. 데이터 보완 방식은 결측 비율이 높을수록 정확도가 떨어지지만, 저차원 모델이 충분히 물리적 특성을 포착하면 강인한 정규화 효과를 제공한다. 저‑랭크 근사는 rank(C) 가 5 이하인 경우 원본 동시 소스와 거의 동일한 재구성 품질을 보이며, 연산 시간도 10배 이상 절감한다. 고랭크 C 에 대한 확률적 행렬 근사는 샘플 수를 늘릴수록 수렴하지만, 메모리 사용량이 급증한다. 소스 서브샘플링은 가장 간단하면서도 메모리 요구량을 최소화하지만, 수렴이 느리고 복원된 모델에 미세한 구조가 손실될 위험이 있다. 전반적으로 저자는 비균일·불완전 데이터 상황에서도 동시 소스 프레임워크를 유지할 수 있는 실용적인 방법론을 제시하고, 각 방법의 장·단점을 정량적으로 분석한다.