베이지안 프레임워크에서 지수형 큐빅 스플라인을 이용한 그래디언트 프로파일 추정

본 논문은 물리·공학·생물학 등 다양한 분야에서 이산적인 측정값으로부터 미분값, 즉 프로파일의 그래디언트를 추정하는 문제의 핵심 난제인 ‘잡음에 의한 불안정성’을 해결하고자 한다. 기존 접근법은 먼저 데이터를 스플라인이나 다른 매끄러운 함수로 피팅한 뒤, 그 함수를 미분하는 방식이다. 그러나 잡음이 증가하면 피팅 함수 자체가 크게 왜곡되고, 그 미분은 더욱 불안정해져 추정 오차와 불확실성이 급증한다. 이를 극복하기 위해 저자는 두 개의 함수 공간, 즉 관측값이 존재하는 U 공간과 그래디언트가 존재하는 V 공간을 명시적으로 구분하고, 베이지안 확률 모델을 통해 U 와 V 사이의 매핑을 정의한다. **수학적 모델** 관측된 위치 x(t)와 미분값 v(t) 사이의 기본 관계는 x(t)=∫₀ᵗ v(τ)dτ, v(t)=dx/dt 이다. 여기서 v(t) 를 직접 추정하기 위해 지수형 큐빅 스플라인 S_v(t; f_v, λ_v, ξ_v) 을 도입한다. 지수형 스플라인은 매듭 ξ_v 와 해당 매듭에서의 속도값 f_v , 그리고 텐션 파라미터 λ_v 에 의해 구간별로 정의되며, 텐션값이 0이면 전통적인 큐빅 스플라인, 무한대로 갈 경우 다각형 형태가 된다. 이 특성 덕분에 급격한 변화가 있는 데이터에서도 부드러운 곡선을 유지하면서도 필요한 경우 급격한 전이를 표현한다. 스플라인은 해석적으로 2차 미분까지 구할 수 있어, 매끄러움 제어 항(∫(d²S/dt²)² + λ²∫(dS/dt)²)와 결합된 변분 문제의 해로도 해석 가능하다. **베이지안 프레임워크** 베이지안 역문제는 사전분포 p(f_v, λ_v, ξ_v|I)와 관측우도 p(x|f_v, λ_v, ξ_v, t, I) 의 곱으로 사후분포 p(f_v, λ_v, ξ_v|x,t) 를 만든다. 사전분포는 다음과 같이 설정한다. - 속도값 f_v 와 매듭 위치 ξ_v 에 대해서는 비정보적 균등분포를 채택한다(특별한 사전 지식이 없다고 가정). - 텐션 파라미터 λ_v 에 대해서는 가우시안 사전분포 N(μ_i, σ²_θλ) 를 사용한다. 이는 제프리스 사전보다 물리적으로 비현실적인 큰 텐션값을 억제하고, 가우시안 우도와의 공액성을 확보한다. 관측우도는 잡음이 독립이고 동일한 분산 σ_e² 을 갖는 가우시안으로 가정한다. 위치 x_i 는 스플라인을 구간별 적분한 값에 잡음 ε_i 을 더한 형태이며, 적분은 스플라인의 해석적 형태를 이용해 정확히 계산한다. 따라서 우도는 p(x|·)=∏_{i=1}^n (2πσ_e²)^{-½} exp