스트리밍 이상치 탐지를 위한 행렬 역행 업데이트 비용 비교

본 연구는 스트리밍 데이터에서 이상치를 실시간으로 탐지하기 위해 최근 주목받고 있는 Christoffel 함수(Christoffel Function, CF)를 활용한다. CF는 데이터의 순간적인 moment matrix M = ΦᵀΦ의 역행 M⁻¹을 이용해 정의되며, 점 x 에 대한 이상치 점수는 Λ⁻¹(x)=φ(x)ᵀ M⁻¹ φ(x) 형태이다. 이 점수는 데이터 분포 내부에서는 다항식적 성장, 외부에서는 지수적 성장이라는 두드러진 특성을 가지고 있어 이상치 탐지에 적합하다. 스트리밍 환경에서는 새로운 관측치가 도착할 때마다 M에 rank‑k 업데이트가 발생한다. 즉, M←M+∑_{i=1}^{k} φ(x_i) φ(x_i)ᵀ 로 바뀌며, 이때 기존의 M⁻¹을 효율적으로 갱신해야 실시간 요구사항을 만족한다. 논문은 세 가지 대표적인 역행 업데이트 방법을 비교한다. 첫 번째는 Direct Inversion(DI)으로, 업데이트 후 전체 행렬을 다시 구성하고 Cholesky 분해를 통해 역행을 새로 계산한다. 이 방법의 FLOP 비용은 행렬 차원 n 에 대해 O(n³) + O(k n²)이며, 구현이 가장 직관적이지만 큰 n이나 빈번한 업데이트에 비효율적이다. 두 번째는 Iterative Sherman‑Morrison(ISM)으로, rank‑1 업데이트를 연속 적용한다. 각 단계는 외부곱과 스칼라 연산만 필요하므로 비용이 O(n²) + O(n)이며, k번 반복하면 총 O(k n²) + O(k n)이다. 따라서 k가 1일 때 최적이며, 작은 k에 대해서도 경쟁력을 가진다. 세 번째는 Woodbury Matrix Identity(WMI)로, 일반적인 rank‑k 업데이트를 한 번에 처리한다. 식 M⁻¹←M⁻¹−M⁻¹U(I+VᵀM⁻¹U)⁻¹VᵀM⁻¹에서 U,V∈ℝ^{n×k}이며, 연산 비용은 O(k³) + O(k² n) + O(k n²)이다. k가 n에 비해 충분히 작고 k³이 지배적이지 않을 경우 DI보다 현저히 빠르다. 이론적 FLOP 분석을 바탕으로 저자는 파이썬 환경에서 광범위한 실험을 수행한다. 실험은 n=100,200,…,2000과 k=1,2,5,10,20,50,100,200을 조합해 평균 실행 시간을 측정한다. 결과는 다음과 같다. (1) k=1인 경우 ISM이 DI보다 평균 5~7배 빠르고, WMI와도 비슷한 수준이다. (2) k/n ≤ 0.05(예: n=2000, k=50 이하)에서는 WMI가 DI보다 2~3배, ISM보다 1.5배 정도 빠르다. (3) k가 n에 비해 크게 증가하면 DI가 가장 효율적이며, 특히 k≥0.2 n에서는 WMI와 ISM이 오히려 역행 계산 비용 때문에 뒤처진다. 수치적 안정성 측면에서도 ISM과 WMI는 직접 역행에 비해 조건수가 크게 악화되지 않으며, 특히 WMI는 작은 k에서 행렬의 정규성을 유지한다는 장점이 있다. 이러한 실험 결과를 종합해 논문은 실무 적용을 위한 간단한 선택 규칙을 제시한다. “업데이트 차수가 1이면 ISM, 업데이트 비율 k/n이 5 % 이하이면 WMI, 그 외 상황에서는 DI”라는 규칙이다. 이 규칙은 복잡한 비용 모델을 직접 계산할 필요 없이 차원과 업데이트 크기만 알면 바로 적용 가능하다. 또한 저자는 메모리 사용량(특히 WMI에서 U,V 저장 필요)과 병렬화 가능성(ISM은 순차적 적용이므로 병렬화 어려움, WMI는 행렬‑벡터 연산을 BLAS 레벨 3으로 가속 가능) 등을 논의한다. 마지막으로 고차원(수천 차원) 상황에서의 제한점, GPU 기반 구현, 근사 역행(예: Krylov 서브스페이스)과의 결합 가능성을 제시하며 향후 연구 방향을 제시한다.