커널 정렬 기반 다중뷰 비지도 특징 선택과 샘플 수준 적응 그래프 학습

초록

본 논문은 다중뷰 비지도 특징 선택(MUFS)에서 기존 방법이 선형 상관관계에만 의존해 비선형 중복을 간과하고, 샘플별 지역 구조 차이를 반영하지 못하는 문제를 해결한다. 저자는 커널 정렬과 직교 제약을 결합해 선형·비선형 중복을 동시에 감소시키고, 각 뷰의 유사도 그래프를 텐서 형태로 쌓은 뒤 샘플 수준 가중치를 적용해 교차‑뷰 일관 그래프를 학습한다. 두 단계가 하나의 최적화 모델에 통합되어 상호 보완적으로 작동하며, 실험을 통해 최신 방법들을 능가함을 입증한다.

상세 분석

KAFUSE는 두 핵심 모듈로 구성된다. 첫 번째는 커널 정렬 기반의 중복 감소 메커니즘이다. 각 뷰 v에 대해 선택된 특징 집합 X⁽ᶜ⁾(v)와 선택되지 않은 특징 집합 X⁽ᵘ⁾(v)를 각각 Gaussian 커널로 매핑하고, 중심화 행렬 H를 이용해 H K⁽ᶜ⁾(v) H와 H K⁽ᵘ⁾(v) H를 얻는다. 이후 트레이스 Tr(H K⁽ᶜ⁾ H K⁽ᵘ⁾) 를 최대화하는 것이 커널 정렬이며, 이는 선택된 특징과 미선택 특징이 생성하는 샘플 간 유사도 구조가 최대한 일치하도록 강제한다. 여기서 직교 제약 WᵀW = I₍c₎를 추가함으로써 선택된 특징들의 선형 독립성을 보장하고, 커널 정렬을 통해 비선형 의존성도 억제한다. 즉, 두 제약이 결합돼 특징 집합이 서로 중복되지 않으면서도 데이터 구조를 충분히 설명하도록 만든다.

두 번째 모듈은 샘플‑레벨 적응 그래프 학습이다. 기존 MUFS는 모든 샘플에 동일한 뷰 가중치를 부여해 다중뷰 유사도 그래프를 단순 평균하거나 가중합했지만, 이는 특정 샘플이 한 뷰에서 명확한 군집 구조를 보이고 다른 뷰에서는 흐릿한 경우를 반영하지 못한다. KAFUSE는 각 뷰 v의 유사도 행렬 S⁽ᵛ⁾를 텐서 𝒮 ∈ ℝ^{n×n×V}에 스택한 뒤, 슬라이스별(즉, 각 샘플 j에 대해) 가중치 벡터 α_j ∈ ℝ^{V}를 학습한다. α_j는 정규화된 확률 분포이며, 최적화 과정에서 샘플 j의 지역 구조가 명확한 뷰에 더 높은 가중치를 할당한다. 이렇게 얻어진 교차‑뷰 일관 그래프 G 은 각 샘플마다 다른 가중 조합을 반영하므로, 전체 데이터의 지역 토폴로지를 보다 정밀하게 보존한다.

두 모듈은 하나의 공동 목적 함수에 통합된다. 목표 함수는 (1) 커널 정렬을 통한 중복 감소 항, (2) 그래프 라플라시안 기반의 구조 보존 항, (3) ℓ₁·ℓ₂ 정규화에 의한 희소성 및 안정성 항, (4) 직교 제약을 포함한다. 교대 최적화(Alternating Optimization) 전략을 사용해 (i) 특징 선택 변수 Λ, (ii) 투영 행렬 W, (iii) 그래프 가중치 α, (iv) 라플라시안 L을 순차적으로 업데이트한다. 각 서브문제는 닫힌 형태 해 혹은 효율적인 근사 해를 갖으며, 전체 알고리즘은 수렴성을 이론적으로 보장한다.

실험에서는 6개의 공개 다중뷰 데이터셋(예: Caltech‑101, NUS‑WIDE, Reuters)에서 KAFUSE를 기존 대표적 MUFS 방법(GAWFS, RNE, CDMvFS, MAMFS, UKMFS, WLTL, CE‑UMFS 등)과 비교하였다. 평가 지표는 클러스터링 정확도(ACC), 정규화된 상호 정보(NMI), 정밀도(Purity) 등이다. KAFUSE는 모든 데이터셋에서 평균 3~7%p 이상의 성능 향상을 보였으며, 특히 뷰 간 구조 차이가 큰 데이터에서 샘플‑레벨 가중치가 큰 효과를 발휘했다. 또한 선택된 특징 수가 적을수록(예: 10% 이하) 기존 방법보다 더 높은 정보 보존률을 기록했다.

요약하면, KAFUSE는 (1) 커널 정렬과 직교 제약을 결합해 선형·비선형 중복을 동시에 억제하고, (2) 샘플‑레벨 가중치를 통한 교차‑뷰 그래프 학습으로 지역 구조를 정밀하게 보존한다는 두 혁신을 통해 MUFS 분야에 새로운 패러다임을 제시한다.