산술 평균과 기하 평균 융합의 2차 통계 비교 분석

초록

본 논문은 목표 추적에서 사용되는 두 가지 정보 평균 방식인 산술 평균(AA)과 기하 평균(GA)의 2차 통계(분산·MSE)를 v‑fusion(변수 기반)과 f‑fusion(확률밀도 기반) 관점에서 정량적으로 비교한다. 가우시안 혼합, 포아송 변수, 다중 목표 밀도 등 다양한 사례를 통해 AA가 편향을 유지하고 분산 및 MSE에서 GA보다 유리하거나 열위할 수 있는 조건을 명확히 제시한다.

상세 분석

논문은 먼저 AA와 GA의 정의를 명확히 하고, v‑fusion에서는 변수들의 가중합(AA)과 가중 로그합(GA)으로, f‑fusion에서는 PDF들의 선형 결합(AA)과 정규화된 지수 가중 결합(GA)으로 각각 표현한다. 편향 분석에서 AA는 모든 입력 추정량이 무편향일 경우 무편향성을 그대로 유지하지만, GA는 로그 변환 과정에서 부정값이 발생하면 복소수 결과가 나오므로 일반적으로 편향을 보장하지 못한다. 분산 측면에서는 AA의 분산이 입력 변수들의 공분산 행렬에 가중치를 곱한 형태로 전개되며, 두 변수의 경우 ρ(상관계수)와 분산 비율 α에 따라 상한(최대 입력 분산)과 하한(입력 분산의 가중 평균) 사이에서 변한다. 특히 ρ가 α−½보다 작을 때는 최적 가중치가 역분산 비례 형태가 되어 GA보다 낮은 분산을 달성할 수 있다. 반면 ρ가 크면 하한이 최소 입력 분산에 수렴한다. GA의 분산은 로그 변수들의 공분산을 필요로 하는데, 이는 일반적인 폐쇄형 해가 없으므로 Monte‑Carlo 시뮬레이션으로 근사하였다. 가우시안과 포아송 변수 사례에서 시뮬레이션 결과는 AA와 GA의 분산이 가중치에 따라 교차하며, 특정 상관조건에서는 AA가 GA보다 항상 우수함을 보여준다. MSE 분석에서는 mse(AA)=ω₁² mse₁+ω₂² mse₂+2ω₁ω₂β√(mse₁·mse₂) 형태로 전개되며, β는 두 추정량 사이의 상관을 나타낸다. GA의 MSE는 로그 변환으로 인해 직접 계산이 어려워 시뮬레이션으로 비교했으며, 결과는 가중치 선택에 따라 AA가 GA보다 낮은 MSE를 가질 수도, 반대로 높은 MSE를 가질 수도 있음을 확인한다. 다중 목표 밀도(f‑fusion)에서는 가중합된 가우시안 혼합의 총 가중치가 1이 아닐 경우 GA가 기존 CI(공분산 교차)와 다른 특성을 보이며, 이는 목표 수가 변동하는 상황에서 중요한 차이를 만든다. 전체적으로 논문은 AA와 GA가 각각 장·단점을 갖고 있으며, 상관관계, 가중치 선택, 데이터 형태에 따라 최적 선택이 달라짐을 체계적으로 정리한다.