분류 포레스트를 위한 변환 학습 기법

논문은 분류 포레스트(classification forest)의 성능을 향상시키기 위해 각 split node에서 학습되는 약한 학습기(weak learner)를 새로운 방식으로 설계한다. 기존 포레스트에서는 주로 decision stump, 선형 하이퍼플레인, 혹은 원뿔 절단(conic section) 등 간단한 분류기를 사용했으며, 고차원 데이터에서도 저차원 특징을 찾아내는 것이 목표였다. 그러나 실제 데이터는 이상적인 저차원 서브스페이스에 정확히 들어가지 못하고, 조명, 포즈, 잡음 등으로 인해 구조가 손상된다. 저자는 이러한 손상을 복원하고 클래스 간 구분을 강화하기 위해, 각 노드에서 선형 변환 T∈ℝ^{d×d} 를 학습하도록 제안한다. 학습 목표는 핵심 노름(nuclear norm)을 이용한 손실 함수이다. 구체적으로 두 클래스 Y⁺, Y⁻ 에 대해 ‖T Y⁺‖_* + ‖T Y⁻‖_* − ‖T