레버리지 요소 샘플링으로 강화된 저랭크 근사

본 논문은 대규모 데이터 행렬에 대해 효율적인 저랭크 근사를 제공하는 새로운 랜덤 알고리즘을 제안한다. 기존 연구는 입력 희소성을 활용해 빠른 실행 시간을 얻는 대신 Frobenius 노름 기준의 약한 오류 보장을 제공하거나, 스펙트럴 노름 기준의 강한 오류 보장을 위해 \(O(n^{2})\) 시간을 소모하는 두 갈래로 나뉘었다. 저자들은 이 두 장점을 동시에 달성하고자, (1) 행·열 레버리지 점수를 활용한 편향 샘플링 단계와 (2) 샘플에 기반한 가중 교대 최소화(Weighted Alternating Minimization, WAltMin) 단계로 구성된 두 단계 알고리즘을 설계하였다. **1. 편향 샘플링** 레버리지 점수는 저랭크 행렬의 좌·우 특이벡터의 제곱 노름으로 정의되지만, 실제 입력 행렬이 고랭크이거나 레버리지 점수를 직접 계산하기 어려운 경우가 많다. 이를 해결하기 위해 저자들은 행·열 2‑노름 \(\|M_{i}\|_{2}, \|M_{j}\|_{2}\) 와 원소 절대값 \(|M_{ij}|\) 을 결합한 확률 분포 \(q_{ij}\) 를 정의한다. 구체적으로 \