Anchor PCA

주성분 분석 (Principal component analysis, PCA)은 가장 널리 사용되는 비지도 차원 축소 (unsupervised dimension reduction) 기법 중 하나입니다. 본 연구에서는 여러 연관된 도메인 (domains)에서 추출된 데이터를 위한 PCA를 연구합니다. 주성분 (principal components)은 일반적으로 도메인 간에 서로 다르기 때문에, 공유된 저차원 임베딩 (low-rank embedding)을 얻는 한 가지 방법은 통합된 데이터 (pooled data)에 대해 PCA를 수행하는 것입니다. 그러나 이 접근 방식은 오직 몇몇 도메인에서만 높은 변동성을 보이는 가짜 방향 (spurious directions)에 집중할 수 있습니다. 보지 못한 (unseen) 유사한 도메인에서도 여전히 대부분의 분산 (variance)을 설명할 수 있는 강건한 (robust) 임베딩을 찾기 위해, 우리는 대신 공유된 변동 방향 (shared directions of variation)에 집중할 것을 제안합니다. 이를 위해, 우리는 전체 설명 분산 (overall explained variance)과 공유 및 도메인별 저차원 임베딩 간의 일치성 (agreement) 사이의 절충 (trade-off)을 수행하는 Anchor PCA를 소개합니다. Anchor PCA는 수정된 타겟 행렬 (target matrix)에 대한 PCA와 동일하므로 효율적으로 해결될 수 있습니다. 또한, 우리는 Anchor PCA가 최대 불변 부분 공간 (maximal invariant subspace)을 복원하며, 유계된 (bounded) 도메인별 공분산 팽창 (covariance inflations) 하에서 미니맥스 재구성 (minimax reconstruction) 해석을 허용함을 보여줍니다. 시간적 드리프트 (temporal drift)가 있는 시뮬레이션 및 실제 가스 센서 데이터에 대해, 우리는 각각 Anchor PCA가 최대 불변 부분 공간을 복원하며, 통합 베이스라인 (pooling baseline) 및 최악의 경우 대안 (worst-case alternative)보다 보지 못한 도메인에서 더 많은 분산을 설명하는 임베딩을 생성함을 입증합니다. 종합적으로, 이러한 발견은 Anchor PCA를 다중 도메인 데이터로부터 강건한 비지도 차원 축소를 위한 유망한 접근 방식으로 확립합니다.