다중도메인 텐서 역문제 위한 희소 샘플링 설계

본 논문은 다중도메인(다차원) 신호를 텐서 형태로 모델링하고, 해당 텐서가 알려진 다중선형(멀티라인) 분해, 즉 X = G ×₁ U₁ ×₂ … ×_R U_R 와 같은 구조를 가진다는 전제 하에, 제한된 센싱 자원을 효율적으로 배분하는 “희소 샘플링” 방법을 제안한다. 기존의 무구조(전역) 희소 샘플링은 전체 가능한 측정 위치(∏ N_i)를 일일이 고려해야 하므로 차원이 커질수록 메모리와 연산 복잡도가 급격히 증가한다. 이를 해결하기 위해 저자들은 샘플링 행렬을 크로네커 구조 Φ = Φ₁ ⊗ … ⊗ Φ_R 로 강제한다. 각 도메인 i에 대해 행 선택 행렬 Φ_i 를 정의하고, 이를 각 도메인별 변환 행렬 U_i 와 결합해 전체 관측 모델 y = Ψ(L) g 을 만든다. 여기서 Ψ(L) 은 Φ_iU_i 의 크로네커 곱(밀집 코어) 혹은 Khatri‑Rao 곱(대각 코어) 형태가 된다. 크로네커 구조의 핵심 장점은 두 가지이다. 첫째, 최소 자승 해를 구할 때 필요한 의사역 연산이 전체 대규모 행렬이 아니라 각 도메인별 작은 행렬에 대해 독립적으로 수행되므로 연산량이 크게 감소한다. 구체적으로 ĝ = h((Φ₁U₁)† ⊗ … ⊗ (Φ_RU_R)†) y (밀집 코어) 혹은 ĝ = h(((Φ₁U₁)ᴴ(Φ₁U₁) ∘ … ∘ (Φ_RU_R)ᴴ(Φ_RU_R))† · h((Φ₁U₁)ᴴ ⨀ … ⨀ (Φ_RU_R)ᴴ) y) (대각 코어)와 같이 표현된다. 둘째, 설계 목표 함수를 각 도메인별로 분해할 수 있어 서브모듈러 최적화 이론을 적용하기가 용이해진다. 성능 지표로는 Fisher 정보 행렬 T(L) = Ψ(L)ᴴΨ(L) 의 프레임 포텐셜 f(T) = tr(T Tᴴ) 를 사용한다. 프레임 포텐셜은 평균 제곱 오차(MSE)의 상한을 제공하면서도, 크로네커 구조 하에서는 f(T) = ∏ f_i (각 도메인 i에 대한 프레임 포텐셜) 형태로 분해된다. 이 곱 형태는 서브모듈러성을 보장하므로, 탐욕 알고리즘이 (1 − 1/e) ≈ 63%의 근사 보장을 갖는다. 논문은 두 가지 코어 텐서 구조에 대해 별도 분석한다. 1. **밀집 코어**(G가 일반 텐서)에서는 식별 가능성을 위해 각 도메인에서 최소 K_i 개의 센서를 선택해야 하며, 전체 센서 수 L ≥ ∑ K_i 가 필요하다. 2. **대각 코어**(G가 초대각 텐서)에서는 Khatri‑Rao 곱의 특성을 이용해 압축 효율이 크게 향상된다. 저자는 “L ≥ K_c + R − 1”(K_c는 대각 코어의 한 변 길이)이라는 충분조건을 제시한다. 이는 기존 무구조 방법에 비해 훨씬 적은 센서로도 완전 복구가 가능함을 의미한다. 알고리즘은 각 도메인 i에 대해 현재 선택된 행 집합 S_i 에 새로운 행을 추가할 때 전체 프레임 포텐셜 감소량을 계산한다. 이 과정은 (Φ_iU_i)ᵀ(Φ_iU_i) 의 고유값 업데이트만으로 구현 가능해, O(N_i K_i) 수준의 비용으로 대규모 문제를 처리한다. 탐욕 단계는 전체 센서 수 L 까지 반복되며, 각 단계에서 가장 큰 프레임 포텐셜 감소를 제공하는 행을 선택한다. 실험에서는 세 가지 주요 응용을 다룬다. (i) 다중 안테나 MIMO 레이더에서 공간‑시간‑주파수 샘플링을 설계해 목표 물체 위치 추정 정확도를 향상시켰으며, 제안 방법이 무구조 최적화 대비 10배 이상 빠르게 수렴함을 보였다. (ii) 그래프 신호 처리에서 사용자‑아이템‑컨텐츠 3‑계층 그래프 데이터를 텐서로 모델링하고, 크로네커‑구조 샘플링이 메모리 사용량을 90% 이상 절감하면서도 재구성 오류를 3% 이하로 유지했다. (iii) 하이퍼스펙트럼 이미지에서 3‑차원(공간‑스펙트럼‑시간) 데이터를 복원할 때, 대각 코어 모델을 이용해 최소 L = K_c + R − 1 = 7 개의 센서만으로도 원본 이미지와 시각적으로 구분이 어려울 정도의 품질을 달성했다. 전반적으로, 이 논문은 텐서 기반 역문제에서 “구조적 희소 샘플링”이라는 새로운 패러다임을 제시한다. 크로네커 구조와 서브모듈러 탐욕법을 결합함으로써 차원 저주를 실질적으로 회피하고, 대규모 멀티도메인 시스템에 적용 가능한 저복잡도 설계 프레임워크를 제공한다. 제안된 방법은 이론적 식별 가능성 보장, 근사 최적성(1 − 1/e) 보장, 그리고 실험을 통한 실용성 입증을 모두 갖추고 있어, 차세대 통신, 이미지·비디오 처리, 그래프 기반 추천 시스템 등 다양한 분야에서 활용 가능성이 높다.