노드 텍스트 메타데이터를 활용한 라플라시안 제약 가우시안 그래픽 모델

본 논문은 가우시안 그래픽 모델(Gaussian Graphical Model, GGM) 기반 그래프 학습에 메타데이터를 결합하는 새로운 방법론을 제시한다. 전통적인 GGM은 관측된 연속형 신호만을 이용해 정밀한 라플라시안(Laplacian) 구조를 추정한다. 그러나 실제 데이터셋에서는 각 노드에 텍스트 형태의 부가 정보가 존재하는 경우가 빈번하며, 이러한 메타데이터는 노드 간 관계를 파악하는 데 유용한 사전 지식을 제공한다. 저자는 이러한 배경에서 두 가지 주요 목표를 설정한다. 첫째, 텍스트 메타데이터를 수학적으로 라플라시안 형태로 변환해 기존 GGM에 통합한다. 둘째, 복합 목적함수를 효율적으로 최적화할 수 있는 알고리즘을 설계한다. **1. 문제 정의 및 모델 설계** 논문은 라플라시안 제약을 갖는 GGM(Laplacian‑constrained GGM, LCGGM)을 기본 프레임워크로 채택한다. 라플라시안 행렬 L은 대칭이며, 비대각 원소는 음수, 각 행의 합은 0이라는 특성을 가진다. 기존 LCGGM은 로그우도와 라플라시안 정규화 항을 결합한 목적함수 \