다차원 종단 데이터를 위한 잠재 기능 PARAFAC 모델

초록

본 논문은 시간 연속성을 갖는 텐서형 종단 데이터를 효율적으로 분석하기 위해, 기능적 텐서 분해와 확률적 잠재 변수를 결합한 LF‑PARAFAC(Latent Functional PARAFAC) 모델을 제안한다. 공분산 기반 블록‑릴렉스 알고리즘을 통해 불규칙·희소 샘플링에서도 파라미터를 추정할 수 있으며, ADNI 데이터의 신경인지 점수 분석 및 시뮬레이션 실험을 통해 기존 방법 대비 재구성 정확도가 크게 향상됨을 입증한다.

상세 분석

본 연구는 고차원 텐서 데이터를 저차원으로 압축하는 전통적인 CP(Canonical Polyadic) 분해에 기능적 연속성 및 확률적 샘플링 구조를 동시에 도입한 점에서 혁신적이다. 먼저 텐서의 한 모드(시간)를 L²(I) 함수 공간에 매핑하고, 각 랭크‑1 텐서에 스칼라 잠재 변수 uₖ와 함수 ϕₖ(t)를 곱해 기능적 PARAFAC(F‑PARAFAC) 형태(식 5)를 정의한다. 이어서 샘플 모드의 불확실성을 반영하기 위해 uₖ를 확률적 잠재 변수로 가정하고, 이를 곱한 형태가 최종 모델(LF‑PARAFAC, 식 6)이 된다.

핵심 알고리즘은 공분산 기반 블록‑릴렉스 절차이다. 모델 파라미터(함수 ϕₖ, 팩터 행렬 A^{(d)})를 고정한 뒤, 최적의 샘플 모드 연산자 Ψ*를 닫힌 형태(식 9)로 구한다. 이는 관측 텐서 X와 현재 파라미터의 크로스‑공분산 Σ