다중 블록 데이터의 공통·개별 특징 추출을 위한 그룹 구성 요소 분석

초록

본 논문은 여러 행렬(다중 블록) 형태로 존재하는 데이터를 공동으로 분석하여, 모든 블록이 공유하는 공통 특징과 각 블록만의 개별 특징을 동시에 분리·추출하는 CIFA(공통·개별 특징 분석) 프레임워크를 제안한다. 공통 차원의 차수를 사전에 알 경우와 모를 경우 두 가지 상황에 맞는 효율적인 알고리즘을 설계하고, 추출된 공통·개별 공간에 차원 축소와 블라인드 소스 분리 기법을 적용한다. 실험을 통해 분류·군집 성능이 기존 방법보다 현저히 향상됨을 입증한다.

상세 분석

CIFA는 다중 블록 데이터가 내재적으로 갖는 두 가지 구조적 특성을 명시적으로 모델링한다. 첫 번째는 “공통 서브스페이스”로, 모든 블록이 동일한 선형 변환 행렬을 통해 표현될 수 있는 저차원 공간이다. 두 번째는 “개별 서브스페이스”로, 각 블록마다 고유한 변환 행렬이 존재하지만 공통 서브스페이스와 직교하거나 최소한의 중복을 갖도록 설계된다. 논문은 이 두 서브스페이스를 동시에 추정하기 위해 두 단계의 최적화 절차를 제안한다.

1. 공통 베이스 추정

   • 차원 사전 지정형: 공통 차원 r이 주어졌을 때, 각 블록 X_k(∈ℝ^{I×J_k})를 공통 행렬 C(∈ℝ^{I×r})와 개별 행렬 A_k(∈ℝ^{r×J_k})의 곱으로 근사한다. 최소제곱 손실을 최소화하기 위해 교번 최소제곱(ALS) 방식과 정규화 제약을 결합한다.
   • 차원 자동 추정형: r을 모르는 경우, 전체 데이터 행렬을 결합한 뒤 고유값 스펙트럼을 분석하거나 정보 기준(AIC/BIC)을 적용해 적절한 r을 선택한다. 이후 위와 동일한 ALS 루프를 수행한다. 두 경우 모두 C의 열벡터는 정규 직교성을 유지하도록 QR 정규화를 적용해 수치적 안정성을 확보한다.

2. 공통·개별 공간에서의 특징 추출

   • 공통 공간: C가 확보되면, 각 블록을 C에 투영해 공통 계수 행렬 S_k = C^T X_k 를 얻는다. 여기서 차원 축소(PCA, LPP 등)와 블라인드 소스 분리(ICA, NMF 등)를 조합해 공통 특징을 해석한다.
   • 개별 공간: 각 블록마다 잔차 R_k = X_k – C S_k 를 계산하고, 이를 개별 서브스페이스에 대한 행렬 분해(A_k, B_k 등)로 모델링한다. 이 단계에서도 PCA 기반 차원 축소와 독립성 가정에 기반한 ICA를 적용해 블록 고유의 변동성을 포착한다.

알고리즘 효율성 측면에서, CIFA는 각 블록을 독립적으로 처리하지 않고 전역적인 공통 베이스를 공유함으로써 연산 복잡도를 O(∑_k I J_k r) 수준으로 제한한다. 또한, ALS 루프는 수렴성이 빠르고, QR 정규화와 정규화된 손실 함수 덕분에 로컬 최소에 빠질 위험이 낮다.

성능 평가에서는 합성 데이터와 실제 이미지·뇌파(EEG) 데이터 두 가지 실험군을 사용한다. 합성 실험에서는 공통 차원과 개별 차원을 명시적으로 제어해 CIFA가 정확히 해당 차원을 복원함을 확인했다. 실제 데이터에서는 공통 특징이 클래스 구분에 유리하게 작용하고, 개별 특징이 군집 내 변동성을 설명한다는 점을 시각화와 정량적 지표(정확도, NMI, ARI)로 입증했다. 특히, 기존 다중 블록 방법인 Joint ICA, Coupled Matrix Factorization 등에 비해 분류 정확도가 평균 5~8% 상승했으며, 군집 품질 지표도 유의미하게 개선되었다.

한계와 향후 과제로는 (1) 공통 차원 r이 매우 큰 경우 계산 비용이 급증할 수 있다는 점, (2) 비선형 관계를 포착하기 위해 커널 기반 확장이나 딥러닝형 인코더-디코더 구조와의 통합 필요성, (3) 잡음·결측치가 많은 실세계 데이터에서 강인성을 높이기 위한 정규화 및 로버스트 손실 함수 설계가 제시된다. 이러한 점들을 보완하면 CIFA는 멀티모달 센서 융합, 바이오인포매틱스, 소셜 네트워크 분석 등 다양한 분야에 폭넓게 적용될 전망이다.