베이지안 기하 제약 매트릭스 완성

초록

본 논문은 희소하고 잡음이 섞인 관측값으로부터 유클리드 거리 행렬(EDM)을 복원하기 위해, 잠재 점 집합에 직접 구조화된 사전분포를 부여하는 계층적 베이지안 프레임워크를 제안한다. 정규‑와이샤트 사전으로 구성된 계층적 모델은 자동 정규화와 불확실성 정량화를 가능하게 하며, Metropolis‑Hastings within Gibbs 샘플러를 통해 사후분포를 효율적으로 추정한다. 합성 실험에서 기존 결정론적 방법보다 높은 복원 정확도를 보이며, 특히 관측 비율이 낮은 경우에 강인함을 입증한다.

상세 분석

이 논문은 Euclidean Distance Matrix(EDM) 복원 문제를 기존의 저차원 저랭크 가정이나 반정밀도 반정규화(semidefinite) 접근법과는 근본적으로 다른 관점에서 접근한다. 핵심 아이디어는 EDM을 직접 생성하는 잠재 점 집합 P∈ℝⁿˣᵈ에 확률적 사전분포를 부여함으로써, 기하학적 제약(예: rank≤d+2, Gram 행렬의 PSD 성질)을 자연스럽게 모델에 내재시키는 것이다. 논문은 두 가지 사전 모델을 제시한다. 첫 번째는 단순한 독립 정규 사전 p(P|σ²_p)=∏ₙ𝒩(P_i;0,σ²_p I_d)이며, 이는 MAP 추정 시 기존 핵심‑노름 최소화 문제와 정확히 동일함을 보인다. 즉, λ=2σ²_p/σ² 로 정규화 파라미터를 매핑함으로써 베이지안 관점에서 기존 최적화 방법을 해석한다. 그러나 이 방식은 불확실성 정량화와 자동 정규화가 불가능하다는 한계가 있다.

두 번째는 정규‑와이샤트(Normal‑Wishart) 하이퍼사전을 도입한 계층적 사전이다. 여기서 P_i∼𝒩(u_p,Δ_p⁻¹)이며, (u_p,Δ_p)∼𝒩𝑊(u_0,(β_0Δ_p)⁻¹)·𝒲(Δ_p;W_0,ν_0) 형태로 정의된다. 이 구조는 베이지안 선형 회귀에서 흔히 사용되는 공분산-평균의 공동 사전과 동일하며, 데이터에 의해 정규화 강도가 자동으로 조정된다. 특히, Δ_p와 σ²(노이즈 정밀도) 모두 가우시안-감마 형태의 사전으로 설정해 전형적인 Gibbs 샘플링이 가능하도록 설계했다.

관측 모델은 D_ij = ‖P_i−P_j‖² + ε_ij (ε_ij∼𝒩(0,σ²)) 로, 관측 마스크 Ω에 의해 선택된 쌍에만 적용된다. 이때 likelihood는 P와 D 사이의 비선형(제곱거리) 관계 때문에 조건부 사후분포가 비가우시안 형태가 된다. 따라서 논문은 Gibbs 샘플링으로 하이퍼파라미터(u_p,Δ_p,σ²)를 직접 샘플링하고, P_i에 대해서는 Metropolis‑Hastings 제안을 사용한다. 제안 분포는 현재 상태 주변의 다변량 정규(표준편차 τ)이며, 수용 확률 ρ는 prior·likelihood 비율로 계산한다. 이 혼합 샘플링 전략은 각 점의 위치를 독립적으로 탐색하면서도 전체 Gram 행렬의 PSD 제약을 자연스럽게 유지한다.

실험에서는 n=100500, d=3인 합성 데이터에 대해 관측 비율 0.020.10, SNR=2025dB 조건을 변형시켰다. 비교 대상은 OptSpace, Alternating Descent, Augmented Lagrangian 등 기존 결정론적 방법이다. 결과는 상대 오류 E=‖Ď−D‖_F/‖D‖_F 로 측정했으며, BMC‑GC가 특히 관측 비율이 0.020.06 수준에서 10%~30% 정도 낮은 오류를 보였다. 또한 MCMC 수렴 그래프는 1500 iteration 중 1200 burn‑in 후 평균 30개의 샘플을 사용해 안정적인 추정치를 얻었음을 보여준다. 마지막으로 9개의 미관측 엔트리에 대한 사후 분포를 시각화해, 추정값의 평균과 신뢰구간이 실제 값과 일치함을 확인했다. 이는 베이지안 접근이 불확실성 정량화 측면에서도 유용함을 입증한다.

전체적으로 이 논문은 EDM 복원 문제에 대한 베이지안 모델링을 최초로 제시하고, 계층적 정규‑와이샤트 사전을 통해 자동 정규화와 불확실성 추정을 동시에 달성한다는 점에서 기존 최적화 기반 방법과 차별화된다. 또한 Metropolis‑within‑Gibbs 샘플러 설계가 비선형 likelihood를 효율적으로 다루는 실용적인 구현을 제공한다는 점에서 실용성도 높다.