행렬 시계열을 위한 모드별 가법 요인 모델

초록

본 논문은 행렬 형태의 시계열 데이터를 위해 행과 열 각각에 독립적인 잠재 요인을 가법적으로 결합하는 MAFM(Modewise Additive Factor Model)을 제안한다. 두 단계 추정 절차인 MINE(Modewise Inner‑product Eigendecomposition)와 COMPAS(Complement‑Projected Alternating Subspace Estimation)를 통해 초기값을 얻고 교차 모드 간 간섭을 완전히 제거하는 직교 보완 투영으로 추정 정확도를 향상시킨다. 또한 로딩 행렬에 대한 수렴 속도, 비정규성, 공분산 추정 및 베르누이형 행렬 Bernstein 부등식 등을 이론적으로 정립하고, 합성·실제 데이터 실험을 통해 기존 Tucker·CP 모델 대비 우수성을 입증한다.

상세 분석

MAFM은 기존의 Tucker·CP와 같은 곱셈형 행렬 요인 모델이 갖는 “전역 요인 하나가 모든 행·열에 동시에 작용한다”는 구조적 한계를 극복한다. 모델식 Xₜ = Fₜ Aᵀ + B Gₜᵀ + Eₜ에서 Fₜ 와 Gₜ 는 각각 행과 열에 특화된 잠재 요인 행렬이며, A 와 B 는 해당 모드의 로딩 행렬이다. 이렇게 가법적으로 분리함으로써 행‑열 각각의 독립적인 변동원을 별도로 추정·해석할 수 있다.

이론적 기여는 크게 두 부분으로 나뉜다. 첫째, 로딩 행렬 추정에 있어 교차 모드 신호가 “구조적 오염”으로 작용한다는 점을 인식하고, 직교 보완 투영을 이용해 완전히 제거한다는 점이다. 기존 Tucker·CP 모델에서 사용되는 직교 투영은 신호‑대‑노이즈 비율을 인위적으로 증폭시켜 추정 편향을 야기할 수 있지만, COMPAS는 U_A⊥ 또는 U_B⊥ 에 완전 투영함으로써 다른 모드의 신호를 0으로 만든다. 이는 “완전 교차 간섭 제거”라는 새로운 방법론적 원칙을 제시한다.

둘째, MINE 단계에서 행·열 각각의 샘플 공분산 행렬을 고유값 분해하여 초기 로딩을 얻는다. 여기서는 행·열 요인 신호가 서로 다른 스케일로 스펙트럼에 나타나지만, 주요 고유값은 목표 로딩에 비례하므로 초기값이 충분히 좋은 품질을 보인다. 이후 COMPAS가 반복적으로 보완 투영과 서브스페이스 추정을 수행하면서, 추정 편향이 기하급수적으로 감소하고, 최종 수렴 속도는 Oₚ(√(r / n) + √(log d / n)) 와 같은 전형적인 고차원 요인 모델과 동등함을 증명한다.

또한 논문은 로딩 행렬의 비정규성을 위한 점근적 정규분포 결과와, 공분산·공분산 행렬의 일관된 추정량을 제공한다. 이는 실무에서 신뢰구간 구축·가설 검정이 가능하도록 하는 중요한 통계적 기반이다. 더불어, 종속적인 행렬 시계열에 대한 2차 형식의 행렬 Bernstein 부등식을 새롭게 도출하여, 시간 의존성을 갖는 고차원 행렬 데이터의 확률적 경계 분석에 기여한다.

실험에서는 다양한 차원·시계열 길이, 신호대노이즈 비율, 그리고 행·열 요인 차원 불일치 상황을 시뮬레이션하여 MAFM이 기존 Tucker·CP 대비 평균 추정 오차와 변수 선택 정확도에서 현저히 우수함을 확인한다. 실제 데이터 예시로는 금융 포트폴리오 수익 행렬, 교통 흐름 행렬, 그리고 국제 무역 행렬을 분석했으며, 가법 구조가 해석 가능한 요인 해석과 예측 성능 향상에 기여함을 보여준다.

전반적으로 MAFM은 행·열 각각의 독립적인 동적 요인을 동시에 모델링함으로써, 고차원 행렬 시계열 분석에 새로운 패러다임을 제시한다. 직교 보완 투영을 통한 교차 간섭 제거, 두 단계 추정 절차, 그리고 강력한 이론적 보장은 실무와 학술 양쪽 모두에서 큰 활용 가치를 가진다.