분산된 기밀 데이터셋의 협업 분석 (Collaborative analysis)은 중요하지만, 원본 데이터셋을 직접 공유하는 것은 개인정보 보호 및 기관의 제약으로 인해 제한되는 경우가 많습니다. 데이터 협업 (Data Collaboration, DC) 분석은 각 데이터셋을 참여자별 난독화 함수 (obfuscation functions)를 통해 개인정보를 보호하는 중간 표현 (intermediate representations)으로 변환하고, 앵커 데이터셋 (anchor dataset)을 사용하여 이를 공통의 협업 표현 (collaboration representations)으로 통합합니다. 그러나 기존의 많은 DC 분석 방법은 데이터 난독화 및 통합을 위해 선형 변환 (linear transformations)에 의존하며, 이는 재구성 위험 (reconstruction risk)을 높일 수 있습니다. 비선형 차원 축소 (nonlinear dimensionality reduction)가 이 위험을 완화할 수 있음에도 불구하고, 기존의 선형 통합 방법은 비선형 변환에 의해 생성된 중간 표현을 정확하게 정렬할 수 없습니다. 또한, 기존의 통합 방법은 주로 참여자 간의 불일치를 최소화하는 데 중점을 두며, 다운스트림 분석 (downstream analysis)에 유용한 기하학적 정보나 타겟 변수 (target-variable) 정보를 명시적으로 포함하지 않습니다. 이러한 한계를 극복하기 위해, 우리는 먼저 선형 커널 통합 (Linear Kernel Integration, LKI)을 선형 통합 방법으로 공식화한 다음, 이를 커널화하여 비선형 커널 통합 (Nonlinear Kernel Integration, NKI)을 얻습니다. NKI는 커널 리지 회귀 (kernel ridge regression)와 고유값 문제 (eigenvalue problem)를 통해 전역 최적해 (globally optimal solution)를 허용합니다. 우리는 또한 타겟 표현이 다운스트림 분석에 유용한 기하학적 정보 및 타겟 변수 정보를 포착할 수 있도록 그래프 정규화 (graph regularization)와 중심화 제약 (centering constraint)을 도입합니다. 이미지 분류 작업에 대한 실험 결과, NKI는 비선형 차원 축소 환경에서 기존의 선형 통합 방법보다 분류 정확도를 향상시켰으며, 타겟 변수 인지 그래프 정규화 (target-variable-aware graph regularization)와 중심화를 통해 추가적인 이득을 얻었습니다. 또한 결과는 차원 축소의 선택이 분류 정확도와 재구성 위험 모두에 상당한 영향을 미친다는 것을 보여줍니다.