SPD 행렬을 위한 빠르고 안정적인 차콜레키 곱 기하 기반 메트릭

초록

본 논문은 차콜레키 분해의 곱 구조를 이용해 두 가지 새로운 SPD 메트릭인 Power‑Cholesky Metric(PCM)과 Bures‑Wasserstein‑Cholesky Metric(BWCM)를 제안한다. 이 메트릭들은 닫힌 형태의 기하 연산(지오데식, 로그/지수 지도, 평행 이동, 프레셋 평균 등)을 제공하며, 기존 메트릭 대비 계산 효율과 수치 안정성이 크게 향상된다. 또한 SPD 다중 로지스틱 회귀와 잔차 블록을 포함한 신경망 모듈에 직접 적용해 실험적으로 우수성을 입증하였다.

상세 분석

본 연구는 SPD 행렬 공간을 차콜레키 행렬(L)로 매핑하는 기존 LCM(로그‑차콜레키 메트릭)의 구조적 한계를 깊이 파고든다. 저자들은 차콜레키 행렬을 “엄격히 하삼각 부분(SLₙ)”과 “양의 대각 원소(Dₙ^{++})”의 곱으로 보는 새로운 제품(product) 구조를 제시한다. 이때 SLₙ은 유클리드 공간이며, Dₙ^{++}는 n개의 1차원 양의 실수축(R^{++})의 직접곱으로 해석된다. 정의 3.1에 따라 각 축에 서로 다른 리만 계량을 부여하면 전체 차콜레키 공간에 대한 가중 곱 계량 g_L을 만들 수 있다. 특히, 대각 원소에 θ‑EM(행렬 거듭제곱 기반 유클리드 계량)과 GBWM(일반화 Bures‑Wasserstein 메트릭)을 적용하면 두 새로운 메트릭이 도출된다.

θ‑DPM(θ‑Diagonal Power Metric)은 대각 원소에 L^{θ}⁻¹·X 형태의 계량을 사용한다. 정리 3.2는 이 메트릭 하에서 지오데식 γ(L,X)(t)=⌊L⌋+t⌊X⌋+L(I+tθL^{‑1}X)^{1/θ}, 로그 지도, 거리 d₂, 평행 이동 및 가중 프레셋 평균을 모두 닫힌 형태로 제공함을 증명한다. 여기서 ⌊·⌋는 하삼각 부분을, L^{θ}는 대각 원소에 대한 원소별 거듭제곱을 의미한다. θ가 0에 접근하면 θ‑DPM은 기존 로그‑차콜레키 메트릭(LCM)으로 수렴하고, θ=1에서는 순수 유클리드 계량이 된다.

M‑DBWM(대각 Bures‑Wasserstein 메트릭)은 대각 원소에 M^{‑1}·Y 형태의 Bures‑Wasserstein 계량을 적용한다. 정리 3.3은 이 경우에도 지오데식, 로그, 거리, 평행 이동, 프레셋 평균이 닫힌 형태로 구해짐을 보여준다. 특히 M=I일 때는 기존 Bures‑Wasserstein 메트릭의 제한된 형태와 동일하지만, 차콜레키 공간에서는 모든 연산이 명시적으로 계산 가능하므로 기존 SPD 공간에서의 복잡성을 크게 낮춘다.

또한 저자들은 “대각 파워 변형(diagonal‑power deformation)”을 정의해 θ‑DPM과 M‑DBWM 사이를 연속적으로 연결한다. 정의 3.4와 보조정리 3.5에 따르면, θ→0이면 변형된 계량이 로그‑차콜레키 메트릭으로 수렴한다. 이는 메트릭 선택에 있어 사용자가 수치 안정성(θ≈0)과 계산 효율성(θ≈1) 사이를 자유롭게 조절할 수 있음을 의미한다.

gyrovector 구조도 새 메트릭에 적용되었다. 정리 3.7은 θ‑DPM 및 (θ,M)‑DBWM 하에서의 gyroaddition ⊕와 gyromultiplication ⊙가 각각 (9), (10)식으로 정의되며, β=θ 또는 β=θ/2 로 매개변수가 조정된다. 이는 하이퍼볼릭 기하에서의 벡터 연산을 SPD 공간에 자연스럽게 확장하는 중요한 수학적 기반을 제공한다.

계산 복잡도 측면에서, 모든 연산이 O(n³) 이하(주로 대각 원소에 대한 원소별 연산)이며, 로그·지수 연산이 필요 없는 PCM은 수치 오버플로·언더플로 위험을 크게 감소시킨다. 실험에서는 기존 LEM, LCM, BWM 등과 비교해 2~5배 빠른 실행 시간과 10⁻⁸ 수준의 상대 오차 감소를 보고하였다.

마지막으로, 제안된 메트릭을 이용해 SPD 다중 로지스틱 회귀(MLR)와 잔차 블록(residual block)을 구현했으며, 이미지 분류, 뇌 연결망 분석, 텐서 보간 등 다양한 벤치마크에서 정확도와 안정성이 향상된 결과를 얻었다.