스펙트럴 기하학 기반 행렬 완성

본 논문은 “스펙트럴 기하학 기반 행렬 완성(Spectral Geometric Matrix Completion, SGMC)”이라는 새로운 프레임워크를 제시한다. 전통적인 행렬 완성 문제는 관측된 일부 원소만을 가지고 전체 행렬 \(M\) 을 복원하는 작업이며, 일반적으로 저‑랭크 가정에 기반해 핵심적인 정규화(예: 핵노름)를 적용한다. 최근에는 \(X = X_1 X_2 \dots X_N\) 와 같이 여러 선형 층을 쌓은 딥 매트릭스 팩터라이제이션(DMF)이 제안되었으며, 깊이 \(N\) 이 증가함에 따라 경사 하강법 자체가 암묵적인 저‑랭크 정규화를 수행한다는 이론적 결과가 보고되었다(Arora 등, 2018‑2019). 하지만 이러한 DMF는 행과 열 사이에 존재할 수 있는 추가적인 구조—예를 들어 사용자‑아이템 그래프, 약물‑표적 상호작용 그래프—를 활용하지 못한다. 저자는 이러한 구조 정보를 그래프 라플라시안 \(L_r, L_c\) 를 통해 명시적으로 모델에 통합한다. 구체적으로, 행‑그래프 \(G_r\)와 열‑그래프 \(G_c\)를 각각 라플라시안 \(L_r = \Phi \Lambda_r \Phi^{\top}\), \(L_c = \Psi \Lambda_c \Psi^{\top}\) 로 분해하고, 전체 행렬을 \(X = A Z B^{\top}\) 형태로 파라미터화한다. 여기서 \(A\) 와 \(B\) 는 각각 \(\Phi, \Psi\) 와 잠재 그래프 \(G_0\) 의 고유벡터 \(\Phi_0, \Psi_0\) 사이의 변환 행렬 \(P, Q\) 를 포함한다: \