그래프 위 함수 추정을 위한 커널 기반 통합 프레임워크

본 논문은 그래프 정점에 정의된 함수 f (또는 신호)를 제한된 관측값만으로 복원하는 문제를 커널 기반 학습 이론과 그래프 신호 처리 기술을 융합해 해결한다. 먼저 서론에서는 소셜 네트워크, 센서 네트워크, 뇌 연결망 등 다양한 분야에서 노드 속성 추정이 핵심 과제임을 강조하고, 기존의 반지도 학습, 트랜스듀시브 회귀, SPoG 기반 파라메트릭 방법들의 한계를 지적한다. 문제 정의에서는 그래프 G=(V,A) 와 라플라시안 L 을 소개하고, 관측 모델 y = S f + e (관측 행렬 S 는 선택된 정점들을 표시) 를 제시한다. 목표는 전체 정점에 대한 f̂ 를 추정하는 것이다. 핵심 이론은 RKHS 기반 커널 회귀이다. 함수 f 는 재현 커널 κ(v,v′) 에 대한 선형 결합 f(v)=∑_{n=1}^N α_n κ(v,v_n) 으로 표현되며, 이는 행렬 형태 f = K α 로 간단히 쓸 수 있다. 정규화된 손실 최소화 문제 (6) 은 손실 L(y, S f) 와 RKHS 노름에 대한 정규화 µ Ω(‖f‖_H) 의 가중합으로 정의된다. 대표정리를 적용하면 최적 해는 관측된 정점 집합 S 에만 비례하는 커널 결합 형태 f̂(v)=∑_{s∈S} ᾱ_s κ(v, v_s) 로 축소된다. 이는 차원을 N → S 로 감소시켜 계산 효율성을 크게 높인다. 다음으로 그래프 전용 커널 설계가 논의된다. 라플라시안 L 의 고유값 분해 L=UΛUᵀ 에 스칼라 함수 r(·) 를 적용해 K = r†(L) = U r†(Λ) Uᵀ 를 만든다. r(λ) 의 선택에 따라 확산 커널, p‑step random walk, 정규화 라플라시안, 밴드리미트 등 다양한 스무스성 및 사전 정보를 인코딩한다. 특히, 정규화 항 fᵀ K† f 는 그래프 푸리에 계수 \tilde fₙ 에 가중치를 부여해 고주파 성분을 억제하거나 강조한다. 이는 기존 SPoG에서 “밴드리미트” 혹은 “스무스” 신호 가정과 직접 연결된다. 커널 리지 회귀(KRR)와 LMMSE 추정의 동등성을 보여준다. 공분산 C=E