밀도 데이터용 강인 함수형 주성분 분석: 베이즈 공간에서의 정규화 마할라노비스 거리 확장

초록

본 논문은 확률밀도와 같은 상대적 함수 데이터를 위한 베이즈 공간에 마할라노비스 거리를 정규화하여 적용하고, 이를 기반으로 이상치에 강인한 새로운 함수형 주성분 분석 기법(RDPCA)을 제안한다. 정규화된 마할라노비스 거리로 중심성을 평가해 견고한 공분산 추정량을 만든 뒤, 시뮬레이션과 실제 데이터에서 기존 방법보다 향상된 성능을 확인한다.

상세 분석

이 연구는 상대적 함수, 특히 확률밀도와 같이 비음성·단위 적분 제약을 갖는 데이터에 대한 분석 틀을 베이즈 공간(Bayes space)이라는 무한 차원 조합적 구조로 확장한다. 기존의 SFPCA는 베이즈 공간에서 공분산 연산자를 직접 사용하지만, 공분산 추정이 이상치에 민감해 견고성이 부족했다. 저자들은 이를 해결하기 위해 마할라노비스 거리 개념을 베이즈 공간에 맞게 재정의한다. 핵심은 정규화(whitening) 과정에서 공분산 연산자의 비가역성을 완화하기 위해 티크호노프 정규화와 일반 연산자 L을 도입한 점이다. 식(6)의 최적화 문제는 “C^{1/2}Y ⊖ X”와 “L Y” 사이의 균형을 찾으며, α>0가 정규화 강도를 조절한다. L=I인 경우는 기존 α‑마할라노비스 거리와 동등함을 Proposition 3.1을 통해 증명한다. 이렇게 정의된 정규화된 거리(RDMD)는 각 관측밀도의 중심성을 정량화하고, 정해진 분위수(예: 95% χ²)보다 큰 경우를 이상치로 간주한다. 중심 데이터만을 이용해 공분산 연산자를 재추정하면, 견고한 공분산 추정량과 그 고유함수를 얻을 수 있다. 이를 기반으로 도출된 RDPCA는 공분산의 고유값·고유함수를 이용해 주성분을 계산하지만, 이상치가 포함된 전체 샘플이 아니라 중심 서브셋에 대한 추정값을 사용한다. 따라서 고유값이 왜곡되지 않고, 주성분 함수가 실제 변동 구조를 더 정확히 반영한다. 논문은 시뮬레이션에서 다양한 잡음·이상치 비율을 조절해 기존 SFPCA, MRCT, 그리고 깊이 기반 방법과 비교했으며, RDPCA가 평균 제곱 오차와 재구성 오류 면에서 일관되게 우수함을 보였다. 실제 데이터(예: 인구 사망률 밀도, 스펙트럼 신호)에서도 RDPCA가 해석 가능한 주성분을 제공하고, 이상치가 제거된 후에도 주요 변동 패턴을 유지한다는 점을 강조한다. 이와 같이 베이즈 공간에서 정규화 마할라노비스 거리를 도입함으로써, 상대적 함수 데이터에 대한 견고한 차원 축소와 해석이 가능해졌다.