베이지안 하이퍼스펙트럼 이미지 언믹싱을 위한 아이치슨 기하학 기반 불확실성 정량화

본 논문은 하이퍼스펙트럼 이미지 언믹싱에서 물질 비율(어빌리티)의 불확실성을 정량화하고, 공간적 정보를 효과적으로 반영하는 베이지안 모델을 제안한다. 기존 연구는 주로 디리클레 분포와 같은 유클리드 기반 사전분포에 의존했으며, 이는 단순체 경계에 비제로 확률을 할당하고, 공간적 상관을 자연스럽게 포함시키기 어렵다는 한계를 가지고 있었다. 저자들은 이러한 문제를 해결하기 위해 조성 데이터 분석에서 사용되는 아이치슨 기하학을 도입한다. 1. **아이치슨 기하학과 ilr 변환** - 단순체 ∆^{P‑1}의 내부를 ℝ^{P‑1}에 매핑하는 diffeomorphism ψ를 정의한다. 가장 일반적인 형태는 centered log‑ratio(clr)와 이를 정규 직교 기저 H에 투영한 isometric log‑ratio(ilr)이다. - ilr 변환은 로그와 정규화를 결합해 양의 제약과 합계 제약을 동시에 제거하고, 변환 후에는 완전한 유클리드 공간이 된다. - 이 변환을 통해 단순체에 풀백 유클리드 메트릭을 부여하고, 두 어빌리티 사이의 거리 d_ψ(a,a′)=‖ilr(a)‑ilr(a′)‖_2 를 정의한다. 이는 전통적인 유클리드 거리와 달리, 물질 비율이 비선형적으로 변하는 실제 현상을 더 잘 반영한다. 2. **단순체‑값 Gaussian Process (pushforward GP)** - 잠재 공간 Z=ψ(A) 에 대해 다변량 정규분포를 가정하고, 공간 커널 K_U와 물질 간 상관 K_P를 크로네커 곱(K_P⊗K_U) 형태로 결합한다. - K_U는 지수 커널(k(u,u′)=exp(−‖u‑u′‖²/l))을 사용해 공간적 연속성을 모델링하고, K_P는 등방성(σ_a² I_{P‑1}) 혹은 필요에 따라 비등방성으로 설정한다. - 변환의 Jacobian인 softmax 함수가 사전밀도에 로그‑배리어 역할을 하여, 경계에 가까운 어빌리티에 대한 확률을 자연스럽게 억제한다. 이는 디리클레 사전이 경계에 비제로 질량을 부여하는 것과 대조된다. 3. **관측 모델 및 사후분포** - 선형 혼합 모델 X = SA + ε (ε∼N(0,σ²I))을 가정한다. 여기서 S는 알려진 엔드멤버 행렬이며, A는 추정 대상인 어빌리티 행렬이다. - 사전은 ilr‑GP이므로, 사후 p(A|X) ∝ p(X|A) p(A) 는 비정규화된 형태가 되며, 직접적인 해석이 불가능하다. 특히, 관측이 단순체 외부에 존재하고, 사전이 잠재 공간에서 가우시안이기 때문에, 전통적인 GP 회귀의 공액성을 잃는다. 4. **샘플링: Mirror Langevin** - 제약된 단순체 공간에서 효율적인 MCMC 샘플링을 위해 Mirror Langevin 알고리즘을 적용한다. ilr 변환 자체가 엔트로피 h(a)=∑a_k log a_k 의 그라디언트이므로, h를 미러 맵으로 사용하면 제약을 자연스럽게 처리할 수 있다. - 알고리즘은 유클리드 공간에서의 Langevin 업데이트를 수행한 뒤, ilr⁻¹(·) (softmax) 를 통해 단순체로 되돌린다. 이는 Euclidean projection 기반 방법보다 수렴 속도가 빠르고, 제약 위반을 방지한다. 5. **불확실성 표현 및 시각화** - 샘플링된 어빌리티에 대해 지오데식 평균(geodesic mean) 을 정의한다: \(\bar a_n = softmax\big(\frac{1}{M}\sum_{m=1}^M ilr(a_{mn})\big)\). 이는 최소 제곱 지오데식 거리 추정값이다. - 신뢰구간은 최고밀도 영역(HDR) 기반으로 구성한다. M개의 샘플을 히스토그램으로 밀도 추정 후, 밀도 임계값을 정해 최소 부피 영역을 선택한다. 다중모드 사후분포를 시각적으로 드러낼 수 있다. - 픽셀 수준에서는 HDR을 단순체 내부에 다각형 형태로 표시하고, 이미지 수준에서는 전체 변동성을 총분산, 평균 절대 편차 등으로 요약한다. 6. **실험** - 시뮬레이션에서는 3개의 엔드멤버와 다양한 SNR(8 dB, 20 dB 등)을 사용해 다중모드 사후분포를 재현한다. ilr‑GP 사전과 Mirror Langevin 샘플링은 디리클레‑베이스라인 대비 평균 추정 오차를 크게 감소시키고, HDR이 실제 불확실성을 정확히 포착한다. - 실제 Samson 데이터셋에 적용한 결과, 공간적 연속성을 유지하면서도 경계 근처 어빌리티를 억제하는 효과가 확인되었다. 특히, 구름이나 결측 영역이 있는 경우에도 부분 관측을 기반으로 한 ilr‑GP 보간이 자연스럽게 수행된다. 7. **결론 및 의의** - 아이치슨 기하학을 이용해 단순체를 유클리드 공간과 동형시킴으로써, 베이지안 언믹싱에 적합한 사전분포와 샘플링 방법을 제공한다. - 제안된 프레임워크는 (i) 경계에 대한 비현실적인 확률 할당을 방지, (ii) 공간적 상관을 명시적으로 모델링, (iii) 제약을 존중하는 효율적인 MCMC 샘플링, (iv) HDR 기반 직관적인 불확실성 시각화라는 네 가지 핵심 장점을 갖는다. - 향후 연구에서는 비선형 혼합 모델, 엔드멤버 불확실성, 그리고 대규모 이미지에 대한 스케일링 기법을 결합하는 방향으로 확장될 수 있다.