함수 공간을 위한 정규직교 기저 학습

요약

본 논문은 고정된 Fourier나 웨이브릿 기저의 한계를 극복하기 위해 신경망을 사용하여 데이터에 적응 가능한 무한 차원 정규직교 기저를 학습하는 방법을 제안합니다. 직교군(orthogonal group)의 Lie 다양체 상의 경로를 상미분 방정식(ODE)으로 모델링하고, 유한 계수 생성자를 통해 이를 매개변수화하여 최적화할 수 있음을 보여줍니다. 연구 결과, 낮은 계수의 생성자만으로도 어떠한 목표 정규직교 기저에도 근사할 수 있는 보편성을 증명하였습니다.

핵심 포인트

• 고정된 기저 대신 데이터 구조에 적응 가능한 학습 가능한 정규직교 기저 프레임워크 제안
• Lie 다양체 상의 경로를 비자기수반 적분 연산자로 제어되는 ODE로 정의
• 유한 계수 생성자를 사용하여 무한 차원 연산자를 신경망으로 효율적으로 모델링
• 계수 2(rank-2)의 생성자만으로도 직교군 내의 임의의 기저에 조밀하게 접근할 수 있는 보편성 증명
• 함수 데이터의 주성분 추출, 고유함수 근사, 물리 시뮬레이션 모드 변환 등 다양한 활용 가능성 입증