대규모 공간 데이터 위한 투사 베이지안 공간 요인 모델

초록

본 논문은 공간 요인 분석에서 발생하는 식별성 문제와 계산 복잡성을 해결하기 위해 투사 베이지안 공간 요인(PBSF) 모델과 새로운 MCMC 알고리즘인 ProjMC²를 제안한다. 요인 행렬을 스케일된 Stiefel 다양체에 투사함으로써 식별성을 강화하고, 조건부 공액성을 활용해 효율적인 샘플링을 구현한다. 이론적 수렴 증명과 NNGP 기반 확장 모델을 통해 수천에서 수만 개 위치까지 확장 가능함을 보이며, 인간 신장 공간 전사체 데이터에 적용해 기존 딥러닝 기반 방법과 동등하거나 우수한 성능과 해석 가능성을 제공한다.

상세 분석

이 연구는 다변량 공간 데이터를 다루는 기존 베이지안 공간 요인 모델이 갖는 두 가지 근본적인 한계, 즉 식별성(identifiability) 문제와 O(n³)·O(n²) 규모의 계산·저장 비용을 동시에 해결하고자 한다. 저자는 요인 행렬 F∈ℝⁿˣᴷ를 먼저 평균을 제거하고 QR 분해를 통해 Q‑factor를 추출한 뒤, √(n‑1) 로 스케일링하여 스케일된 Stiefel 다양체(ℱ) 위에 사영한다. 이 사영 연산 g(F) = √(n‑1) QR