주성분 분석 (PCA)의 위험 그림자: 99.9999%의 분산 보존이 치명적인 의사결정 오류를 유발할 때

주성분 분석 (Principal Component Analysis, PCA)은 분산 (variance)을 보존하지만, 희귀하고 치명적인 사건을 탐지하는 데 필요한 정보는 보존하지 못합니다. 본 논문은 {\it 위험 그림자 (Risk Shadow)}의 존재를 증명합니다. 즉, PCA는 전체 분산의 99.9999% 이상을 유지하면서도, 희귀하고 영향력이 큰 실패에 관한 모든 신호를 완전히 지워버릴 수 있습니다. 이러한 현상이 발생하면, PCA 표현 위에서 작동하는 최적의 분류기 (classifier)조차 상수 예측기 (constant predictor)로 전락합니다. 근본적인 원인은 분산 극대화 (variance maximization)와 꼬리 위험 인지 (tail risk awareness) 사이의 근본적인 불일치에 있습니다. 이 그림자를 깨뜨리기 위해, 우리는 고영향 사건을 향해 데이터 공분산 (data covariance)의 가중치를 재설정하는 두 가지 방법인 Expectile PCA (ExPCA)와 Tail-Preserving PCA (TP-PCA)를 소개합니다. 우리는 ExPCA가 희귀 사건 정보를 유지하는 데 있어 PCA보다 엄격하게 우수함을 이론적으로 증명하며, 합성 데이터 (synthetic data)와 실제 신용카드 사기 탐지 벤치마크를 통해 우리의 주장을 검증합니다. 우리의 결과는 높은 이해관계가 걸린 의사결정 (high-stakes decisions)에서 분산 기반 차원 축소 (dimensionality reduction)에 대한 근본적인 재고를 요구합니다.