시간 정렬이 필요 없는 그래프 기반 기능 정렬 모델

본 논문은 다중 피험자 fMRI 데이터를 효과적으로 통합하기 위한 새로운 기능 정렬 방법인 Graph‑based Decoding Model(GDM)을 제안한다. 기존의 기능 정렬 기법, 예를 들어 Hyperalignment(H‑A)와 Shared Response Model(SRM)은 모두 피험자들의 fMRI 시계열이 동일한 자극 순서를 공유한다는 전제하에 설계되었다. 그러나 실제 연구 현장에서는 피험자마다 자극에 대한 반응이 누락되거나, 서로 다른 순서로 실험을 진행하는 경우가 빈번히 발생한다. 이러한 “시간 정렬되지 않은” 데이터에 기존 방법을 적용하면 정보 손실이나 정렬 오류가 발생한다. GDM은 이러한 문제를 해결하기 위해, 모든 샘플을 정점으로 하는 교차 피험자 그래프 G를 사전 정의한다. G_ij는 두 샘플 i와 j 사이의 (비)유사성을 수치화한 값으로, 라벨 기반(예: 같은 자극 카테고리) 혹은 거리 기반(예: 유클리드 거리)으로 구성될 수 있다. 그래프 라플라시안 L = D – G (D는 차수 행렬) 를 이용해 변환된 샘플 y_i와 y_j 사이의 거리 제곱합을 최소화하는 목적함수 tr(YLYᵀ) 를 설정한다. 여기서 Y = WᵀΦ*이며, Φ*는 각 피험자별 비선형 매핑 Φ_i를 블록 대각선 형태로 결합한 행렬이다. 목표는 각 피험자 i에 대해 선형 정렬 매핑 h_i: ℝ^{N_i}→ℝ^{K} 를 학습하고, 전체 정렬 매핑 f_i = h_i∘Φ_i 를 통해 모든 피험자의 데이터를 공통 K‑차원 공간에 투사하는 것이다. 이를 위해 WᵀΦ*Φ*ᵀW = I 라는 정규 직교 제약을 부여한다. 이 제약은 정렬 후 각 공통 특성이 동일한 스케일을 갖고 상호 독립적임을 보장한다. 고차원 fMRI 데이터(V_i가 수만~수십만)와 다수 피험자(M)가 결합되면 Φ*ᵀLΦ*와 같은 행렬의 차원이 V_total² (≈∑V_i²) 로 급증한다. 직접 계산은 메모리와 시간 측면에서 비현실적이다. 이를 해결하기 위해 저자들은 두 단계의 정규화를 도입한다. 첫 번째는 Proposition 1에 기반한 “열공간 제한”으로, 최적 해 W는 반드시 Φ*의 열공간(R(Φ*))에 속한다는 것을 보인다. 두 번째는 각 Φ_i에 대한 스펙트럴 분해 K_i = V_i D_i V_iᵀ 를 수행하고, Φ_i = U_i D_i^{1/2} V_iᵀ 로 표현한다. 이렇게 하면 Φ* = U* D*^{1/2} V*ᵀ 로 재구성되고, 원래 문제는 QᵀV*ᵀ L V* Q 형태로 변형된다(여기서 Q = D*^{1/2}U*ᵀW). 문제는 이제 QᵀQ = I 라는 직교 제약만 남으며, 이는 전형적인 고유값 문제로 변환된다. V*ᵀ L V* 를 고유값 분해하면 V*ᵀ L V* = E Λ Eᵀ 가 된다. Λ의 대각 원소는 오름차순이며, K ≤ S (S는 비제로 고유값의 개수) 일 경우 Λ의 가장 작은 K개의 고유벡터를 열로 갖는 E_K가 최적 Q가 된다. 최종 정렬 행렬은 W* = U* D*^{-1/2} E_K 로 얻어지며, 각 피험자별 정렬 행렬은 W*_i = Φ_i V_i D_i^{-1} E_{K,i} 로 구체화된다. 저차원 가정은 “샘플 수보다 차원이 큰” 고차원 fMRI 특성의 과적합을 방지한다. K가 S보다 크면 제약을 만족할 수 없으므로, 실제 적용 시 K를 데이터의 고유값 스펙트럼에 따라 선택한다. 저자들은 교차 검증을 통해 K를 튜닝하고, K가 너무 작으면 정보 손실이, 너무 크면 과적합이 발생한다는 트레이드오프를 확인한다. 계산 복잡도는 기존 방법이 O(T³) (T는 전체 샘플 수) 에 비해, 제안된 방법은 주로 고유값 분해에 의존하므로 O(S³) 로 크게 감소한다. 실험에 사용된 DS001 데이터셋(16명, 각 19174 voxels)에서는 기존 방법이 350 GB 이상의 메모리를 요구했지만, GDM은 S≈19174 수준이므로 수 GB 수준으로 메모리 사용량을 절감한다. 실험은 다섯 개 공개 fMRI 데이터셋(영화 시청, 작업 기억, 감정 인식, 언어 처리 등)에서 수행되었다. 각 데이터셋에 대해 (1) 시간 정렬된 경우와 (2) 시간 정렬되지 않은 경우 두 시나리오를 구성했다. 비교 대상은 Hyperalignment, Regularized Hyperalignment, SVD‑HA, SRM, Kernel‑HA, 그리고 최근 제안된 Robust SRM 등이다. 평가 지표는 (a) 정렬 후 공통 특성을 이용한 분류 정확도, (b) 정렬 전후의 상관계수, (c) 정렬된 데이터의 재현성(ICC)이다. 결과는 다음과 같다. 시간 정렬된 데이터에서는 GDM이 기존 방법들을 3~7%p 정도 앞섰으며, 특히 고차원 전역 정렬이 어려운 경우에 큰 이점을 보였다. 시간 정렬이 불가능한 데이터에서는 기존 방법이 거의 0에 가까운 성능을 보이는 반면, GDM은 10~15%p 수준의 정확도 향상을 기록했다. 또한, 정렬 후 특성 간 상관관계가 낮아(≈0.1) 과적합 위험이 감소했으며, 재현성 지표도 기존 방법 대비 0.05~0.08 정도 상승했다. 결론적으로, GDM은 (1) 시간 정렬 의존성을 완전히 해소하고, (2) 그래프 기반 사전 정보를 활용해 다양한 실험 설계에 적용 가능하며, (3) 커널과 저차원 가정을 통해 계산 효율성을 확보한다는 세 가지 핵심 장점을 제공한다. 향후 연구에서는 그래프 구축 자동화, 비지도 학습 기반 그래프 추정, 그리고 뇌-컴퓨터 인터페이스와 같은 실시간 응용 분야에 GDM을 확장하는 방향이 제시된다.