저랭크 행렬 복원의 정보 이론적 한계

본 논문은 저랭크 행렬 완성(Low‑Rank Matrix Completion, LMC) 문제를 정보 이론적 관점에서 재해석함으로써, 기존 최적화 기반 접근법이 제공하지 못한 근본적인 샘플링 한계와 복원 가능성을 명확히 규정한다. 먼저 서론에서는 LMC가 협업 필터링, 이미지 복원, 시스템 식별 등 다양한 분야에서 핵심적인 역할을 수행하고 있음을 언급하고, 현재까지는 주로 convex relaxation(핵노름 최소화)이나 비선형 최적화 기법을 통해 샘플링 복원 조건을 제시해 왔으나, 이러한 방법들은 복원 알고리즘의 복잡도와 샘플링 설계에 대한 직관적 해석이 부족하다는 점을 지적한다. 본 연구는 이러한 한계를 극복하고자, 저랭크 행렬을 ‘소스’라 보고, 무작위로 선택된 엔트리들을 ‘채널 출력’으로 보는 통신 모델을 도입한다. 구체적으로, m×n 차원의 행렬 X∈ℝ^{m×n}가 랭크 r( r≪min(m,n) )를 갖는다고 가정하고, 각 엔트리 (i,j)는 독립적인 베르누이(p) 변수에 의해 관측되거나 소거된다. 이는 전형적인 erasure channel과 동일한 구조이며, 관측된 엔트리 집합 Ω⊂