스플릿 브레그만 기반 희소 역공분산 추정 가속화 기법

본 논문은 고차원 통계 분석에서 핵심적인 역할을 하는 역공분산 행렬(precision matrix)의 희소 추정 문제를 다룬다. 역공분산 행렬은 변수들 간의 조건부 독립성을 나타내는 그래프 구조를 직접적으로 제공하므로, 이를 정확히 추정하는 것은 네트워크 분석, 유전자 발현 네트워크 복원, 뇌 연결성 연구 등 다양한 분야에서 필수적이다. 전통적인 접근법인 그래픽 라쏘(Graphical Lasso)는 ℓ₁ 정규화를 통해 희소성을 유도하고, 블록별 좌표 하강법을 이용해 최적화를 수행한다. 그러나 차원이 수천에 달하는 대규모 데이터셋에서는 좌표 업데이트가 비효율적이며, 메모리 사용량과 연산 복잡도가 급격히 증가한다. 이에 저자들은 스플릿 브레그만(split Bregman) 방법을 기반으로 한 새로운 알고리즘을 제안한다. 스플릿 브레그만은 변수 분할(variable splitting)과 Bregman 거리 기반 보조 변수 업데이트를 결합한 최적화 프레임워크로, 원래의 복합 목적 함수를 두 개의 보다 단순한 서브문제로 분리한다. 구체적으로, 정규화된 최대우도 추정 문제 \