SDD 행렬의 병렬 분해와 가우시안 그래프 모델 샘플링

본 논문은 대규모 대칭 대각우세(SDD) 행렬, 특히 양의 정부호인 SDDM 행렬에 대한 효율적인 병렬 팩터화와 이를 활용한 가우시안 그래프 모델 샘플링 방법을 제시한다. 연구 동기는 베이지안 통계와 머신러닝에서 다변량 정규분포를 직접 샘플링해야 하는 상황이 빈번히 발생하지만, 기존 Gibbs 샘플링은 순차적이며 최악의 경우 \(\Omega(mn)\) 작업량과 높은 난수 복잡도를 요구한다는 점이다. 저자들은 이러한 한계를 극복하기 위해 두 단계로 구성된 프레임워크를 설계한다. 1. **문제 정의 및 목표** - 주어진 \(n\times n\) SDDM 행렬 \(M\)와 \(-1\le p\le 1\)인 실수 \(p\)에 대해, 스펙트럴 근사 \(\tilde C\)를 찾아 \(M^{p}\approx_{\epsilon}\tilde C\tilde C^{\top}\) 를 만족하도록 한다. - 특히 \(p=-1\) (역행렬) 경우는 가우시안 공분산 \(\Sigma=M^{-1}\) 의 제곱근 팩터를 얻는 것과 동일하며, 이를 통해 \(\mathcal N(\mu,\Sigma)\) 샘플을 효율적으로 생성한다. 2. **수학적 배경** - SDDM 행렬은 그래프 라플라시안 형태와 동형이며, 기존의 거의 선형 시간 솔버(