이질적 궤적 데이터 분석을 위한 함수형 특이값 분해

초록

본 논문은 이질적인 시간궤적(trajectory) 데이터를 위한 통합 차원축소·분석 프레임워크인 Functional Singular Value Decomposition(FSVD)을 제안한다. FSVD는 동질성 가정을 없애고, 불규칙·노이즈가 섞인 관측에 대해 존재성을 증명하고, 교대 최소화 기반 추정 알고리즘을 개발한다. 또한 내재적 기저함수·벡터 개념을 도입해 차원축소, 군집, 회귀, 결측 보완 등 다양한 학습 과제에 적용한다. 시뮬레이션과 COVID‑19 사례·MIMIC‑IV 전자의무기록 데이터 실험을 통해 기존 FPCA·전통 팩터모델 대비 우수성을 입증한다.

상세 분석

FSVD는 전통적인 FPCA가 전제하는 “모든 궤적이 동일한 평균·공분산 구조를 공유한다”는 동질성 가정을 완전히 배제한다는 점에서 근본적인 차별성을 가진다. 논문은 먼저 Hilbert 공간 상에서 각 궤적 X_i(t)를 무한 급수 형태 X_i(t)=∑{r≥1}ρ_r a{ir} φ_r(t) 로 표현하고, a_r∈ℝ^n이 서로 직교하는 singular vector, φ_r(t)가 orthonormal singular function임을 보인다. 존재성 증명은 compact operator의 SVD 이론을 확장하여, 관측이 불규칙하고 잡음이 존재해도 최소 제곱 손실을 최소화하는 (ρ_r, a_r, φ_r) 삼중항이 존재함을 보인다.

알고리즘은 교대 최소화(alternating minimization) 전략을 채택한다. 초기에는 각 시간점에서의 관측을 로컬 스무딩으로 보정하고, 이를 기반으로 singular vectors와 singular functions을 번갈아 업데이트한다. 이 과정에서 정규화와 orthogonalization을 통해 수치적 안정성을 확보한다. 불규칙 샘플링을 다루기 위해서는 각 궤적마다 관측 시간 집합 T_i가 다를 수 있음을 허용하고, 관측값을 재구성하는 단계에서 가중치 행렬을 도입한다. 잡음에 대한 강건성은 L2 정규화와 부드러운 베이시스(예: B‑spline, Fourier) 선택으로 보완한다.

핵심 개념인 “intrinsic basis functions”와 “intrinsic basis vectors”는 각각 시간축(함수적)과 개체·특성축(표본적)에서의 저차원 구조를 포착한다. 이를 통해 FSVD는 단순히 함수형 차원축소(FPCA)와 팩터모델(전통적인 행렬 SVD)의 장점을 동시에 제공한다. 예를 들어, 기능적 완성(task 1)에서는 관측되지 않은 시간점에 대한 φ_r(t)와 a_{ir}를 이용해 자연스럽게 보간한다; 군집(task 2)에서는 a_r를 클러스터링 입력으로 사용해 개체 간 이질성을 드러낸다; 회귀(task 3)에서는 a_r를 선형 예측 변수로 활용해 고차원 궤적과 반응 변수 간 관계를 추정한다.

시뮬레이션에서는 (i) 동질·이질 혼합 데이터, (ii) 불규칙 샘플링 비율 30%~70%, (iii) 다양한 SNR 수준을 변형시켜 FSVD, FPCA, 정규화된 팩터모델을 비교했다. 결과는 차원축소 정확도(재구성 오차), 군집 정확도(Adjusted Rand Index), 회귀 MSE 등 모든 지표에서 FSVD가 일관되게 우수함을 보여준다. 특히 이질성이 강할수록(다중 평균·공분산) FPCA는 급격히 성능이 저하되는 반면, FSVD는 거의 영향을 받지 않는다.

실제 데이터 적용에서는 (1) 2020년 64개 지역의 COVID‑19 누적 사례 로그값을 분석해, 대륙별 평균·공분산 차이를 포착하고, 전역적인 주요 특이값과 지역별 서브스페이스를 시각화했다. FPCA는 전역 평균만을 추출해 지역별 차이를 놓쳤지만, FSVD는 12개의 주요 singular function으로 전역 추세를, 이후 singular vector를 통해 아시아·북미·유럽 등 서브그룹을 명확히 구분했다. (2) MIMIC‑IV ICU 데이터에서는 12개 임상 변수의 다변량 궤적을 대상으로 FSVD 기반 팩터분석을 수행했다. 결과는 시간에 따라 변하는 교차공분산 구조를 반영한 34개의 동적 팩터를 도출했으며, 결측값 보완 시 RMSE가 기존 행렬 완성 방법보다 15% 이상 감소했다. 또한, 팩터 점수는 환자 사망 위험 예측 모델에 유의미한 추가 정보를 제공했다.

이 논문은 이질적·불규칙 궤적 데이터를 위한 이론적 토대와 실용적 알고리즘을 동시에 제공한다는 점에서 통계·머신러닝 분야에 중요한 기여를 한다. 특히 “함수적”과 “표본적” 두 차원을 동시에 다루는 통합 프레임워크는 향후 다양한 보건·생명과학 데이터에 적용 가능성을 크게 확장한다.