시간 정보를 활용한 노이즈 견고한 차원 축소를 위한 샘플 외 확장

본 논문은 고차원 시계열 데이터를 저차원 매니폴드에 매핑하는 과정에서 발생하는 두 가지 주요 문제, 즉 기존 매니폴드 학습 알고리즘의 잡음 민감도와 샘플 외 확장 시 시간 정보를 활용하지 못하는 한계를 동시에 해결하고자 한다. 이를 위해 저자들은 Isomap을 기반으로 한 전역 매니폴드 학습에 ‘시공간 압축성(spatio‑temporal compactness)’이라는 새로운 정규화 항을 도입한 샘플 외 확장 프레임워크를 제안한다. 1. **배경 및 기존 연구** - 차원 축소는 고차원 센서 데이터의 저장·전송·처리 비용을 낮추기 위해 필수적이며, PCA와 같은 선형 방법은 비선형 매니폴드 구조를 보존하지 못한다. - 비선형 매니폴드 학습 방법으로 Isomap, LLE, Laplacian Eigenmaps 등이 있으며, 이들은 주로 정적·독립적인 데이터에 적용된다. - 최근에는 시계열 데이터를 위해 ST‑Isomap, Temporal Laplacian Eigenmaps 등 시간 정보를 그래프 가중치에 반영하는 방법이 제안되었지만, 이들은 훈련 데이터에만 적용되고 샘플 외 확장에는 사용되지 않는다. - 또한, 잡음에 강인한 매니폴드 복원 방법(예: Gaussian Process Latent Variable Model, Locally Linear Denoising 등)은 주로 원본 데이터 자체를 정제하는 데 초점을 맞추며, 임베딩 단계에서의 잡음 저항성을 다루지는 않는다. 2. **문제 정의** - 훈련 단계에서는 깨끗한 데이터 집합 \(U = \{u_i\}_{i=1}^n\)을 사용해 Isomap을 수행하고, 저차원 임베딩 \(L = \{\ell_i\}_{i=1}^n\)을 얻는다. - 테스트 단계에서는 시간 순서가 있는 잡음이 섞인 시계열 \(Y = \{y_j\}_{j=1}^N\)가 주어지며, 기존 OoSE 방식은 단순히 훈련‑테스트 간 거리 행렬 \(\Delta_X\)를 이용해 \(X = \{x_j\}\)를 계산한다. - 이때, 시간적 연속성을 무시하면 잡음이 누적되어 임베딩이 급격히 왜곡된다. 3. **제안 방법** - **목적 함수**: 기존 Isomap OoSE 목적에 시공간 압축성 항을 추가한다. \