양의 반정밀 행렬의 Bures‑Wasserstein 중심점 효율적 추정

본 논문은 뇌‑컴퓨터 인터페이스(BCI)와 같은 분야에서 공분산 행렬을 직접 분류하기 위해 널리 사용되는 Riemannian 기하학적 접근법의 한계를 지적한다. 기존의 Affine‑Invariant Riemannian(AI) 거리 기반 방법은 모든 공분산 행렬이 양의 정의(PD)라고 가정하지만, 실제 고차원 데이터에서는 종종 영 고유값을 갖는 양의 반정밀(PSD) 행렬이 발생한다. AI 거리 계산에 필요한 역행렬·고유값 분해는 차원이 커질수록 연산 비용이 급증하고, 수치적 불안정성 및 수렴 문제를 야기한다. 이를 해결하기 위해 저자들은 Bures‑Wasserstein(BW) 거리를 도입한다. BW 거리는 두 PSD 행렬 A, B에 대해 d_{BW}(A,B)=\sqrt{tr(A+B)-2\,tr\!\big((A^{1/2}BA^{1/2})^{1/2}\big)} 로 정의되며, 이는 평균이 동일한 다변량 정규분포 사이의 2‑Wasserstein 거리와 동등함을 보인다. BW 거리의 핵심 장점은 (1) PSD 행렬 전체에 정의 가능하고, (2) 역행렬 연산을 필요로 하지 않으며, (3) 지오데식과 평균이 명시적 형태로 표현되어 계산이 간단하다는 점이다. 논문은 먼저 BW 거리의 수학적 성질을 체계적으로 정리한다. 지오데식 γ(t)와 그 중간점(즉, BW 평균) A⊞_{t}B를 식 (II.2)–(II.3) 로 제시하고, 극한 과정을 통해 PSD 행렬에 대한 연속성을 증명한다. 정리 II.1–II.3에서는 거리의 스케일링, 삼각 부등식, 그리고 거리와 지오데식 사이의 선형 관계 d_{BW}(A,A⊞_{t}B)=|t|·d_{BW}(A,B) 를 도출한다. 또한, 로그 사상 log_A(B)와 지수 사상 exp_A(X)의 명시적 표현을 제공한다. 로그 사상은 (AB)^{1/2}+(BA)^{1/2}-2A 로, 작은 변동에 대해 1차 근사 log_A(A+tX)=tX+O(t^2) 를 만족한다. 지수 사상은 대각 행렬에 대해 exp_Λ(X)=Λ+X+(W∘X)Λ(W∘X) 로 주어지며, 여기서 W_{ij}=1/(λ_i+λ_j) 이다. 일반 PSD 행렬에 대해서는 스펙트럼 분해를 이용해 동일한 형태로 확장한다. 이러한 사상은 Riemannian 최적화에서 유클리드 공간으로의 투사와 역투사를 가능하게 하며, 알고리즘 설계에 핵심적인 역할을 한다. 바리센터(프레셰 평균) 추정 문제는 X^* = argmin_{X∈P_n} Σ_{i=1}^m d_{BW}^2(X,A_i) 로 정의된다. 저자들은 세 가지 구체적 알고리즘을 제안한다. 1. **고정점 반복법(Fixed‑Point Algorithm)** 초기값 X_0를 임의로 잡고, 매 반복마다 X_{k+1}= (1/m) Σ_i A_i ⊞_{1/2} X_k 로 업데이트한다. 이 연산은 각 A_i와 현재 추정값 사이의 BW 평균을 구한 뒤 평균을 취하는 형태이며, BW 거리의 비탄젠트성으로 인해 수렴이 보장된다. 2. **귀납 평균(Inductive Mean) 알고리즘** 순차적으로 A_1을 시작점으로 두고, i번째 단계에서 X_i = A_i ⊞_{1/(i+1)} X_{i-1} 를 수행한다. 이는 가중 평균을 점진적으로 구축하는 방식으로, 초기값에 민감하지 않으며 큰 데이터셋에서도 메모리 사용량을 최소화한다. 3. **Riemannian Gradient Descent** 로그 사상 log_{X_k}(A_i)를 이용해 기울기 g_k = (2/m) Σ_i log_{X_k}(A_i) 를 계산하고, 지수 사상 exp_{X_k}(-η_k g_k) 로 업데이트한다. 여기서 η_k는 라인 서치에 의해 결정되는 학습률이다. 이 방법은 일반적인 최적화 프레임워크와 호환되며, 수렴 속도를 조절할 수 있다. 각 알고리즘은 PSD 특성을 유지하도록 설계되었으며, 수렴성 분석은 BW 거리의 삼각 부등식과 로그·지수 사상의 Lipschitz 연속성을 이용한다. 특히, 고정점 반복법과 귀납 평균은 닫힌 형태의 업데이트 식을 갖기 때문에 구현이 간단하고, 대규모 행렬에 대해서도 효율적으로 동작한다. 실험 부분에서는 두 종류의 데이터셋을 사용한다. 첫 번째는 인공적으로 생성한 PSD 행렬 군으로, 차원 n을 10, 50, 100, 500까지 변화시켜 알고리즘의 시간 복잡도와 정확도를 평가한다. 두 번째는 실제 BCI 실험에서 수집한 EEG 신호로부터 추정된 공분산 행렬이다. 비교 대상은 전통적인 AI 거리 기반 바리센터(예: Affine‑Invariant Riemannian mean)와 최근 제안된 다른 Wasserstein 기반 방법이다. 평가 지표는 (i) 프레셰 평균과의 평균 제곱 오차(MSE), (ii) 전체 실행 시간, (iii) 노이즈 및 결측치에 대한 강인성이다. 결과는 다음과 같다. - **정확도**: BW 기반 알고리즘은 AI 기반 방법보다 평균 15‑20% 낮은 MSE를 기록했으며, 특히 차원이 200 이상일 때 차이가 크게 나타났다. - **효율성**: 고정점 반복법은 동일한 정확도 수준에서 AI 방법 대비 8‑12배 빠른 수렴을 보였고, 귀납 평균은 메모리 사용량이 최소화돼 대규모 데이터셋에서도 안정적이었다. - **강인성**: 영 고유값이 다수 포함된 PSD 행렬에 대해 AI 방법은 종종 발산하거나 수치적 불안정을 보였지만, BW 방법은 수렴을 유지하고 오차 증가가 미미했다. 또한, 인위적으로 추가한 가우시안 노이즈에 대해서도 BW 알고리즘은 오차 증가율이 낮았다. 마지막으로 논문은 BW 거리와 제안된 알고리즘이 BCI뿐 아니라 원격 탐사, 의료 영상, 자연어 처리 등 고차원 공분산 행렬을 다루는 다양한 분야에 적용 가능함을 강조한다. 특히, 역행렬 연산을 회피하고 PSD 특성을 자연스럽게 보존하는 점이 실시간 시스템이나 제한된 계산 자원을 가진 임베디드 환경에서 큰 장점으로 작용한다는 점을 강조한다. 향후 연구 방향으로는 비선형 변환을 포함한 확장 모델, 그리고 딥러닝 프레임워크와의 통합을 제시한다.