적응형 스펙트럼 수축을 통한 과적합 고차원 행렬 분해
Overfitted high-dimensional matrix factorizations via adaptive spectral shrinkage
요인 모델(factor models)은 저계수 신호를 추출하고 공분산을 추정하기 위해 고차원 데이터를 분석하는 대중적인 접근법입니다. 이들은 공분산 행렬을 저계수 성분과 대각 성분의 합으로 분해합니다. 핵심 문제는 잠재 차원(latent dimension) $k$를 선택하는 방법으로, 이는 요인 모델이 근사적으로만 성립하고 신호 대 잡음 비율이 낮은 시나리오에서 특히 어렵습니다. 베이지안 과적합 요인 모델은 $k$에 대한 상한을 지정하고, 불필요한 성분을 효과적으로 제거하기 위해 구조화된 수축 사전분포(shrinkage priors)에 의존합니다. 이러한 접근법들은 대중적이고 효과적이지만 계산 비용이 많이 듭니다. 우리는 잠재 요인의 스펙트럼 추정과 주요 하이퍼파라미터의 적응형 경험적 베이지안(empirical Bayes) 보정을 기반으로, 타당한 불확실성 정량화(uncertainty quantification)를 제공하는 훨씬 빠른 \texttt{EigenBayes} 접근법을 제안합니다. 결과적으로 도출된 사후 분포(posterior distribution)는 결과(outcomes) 간에 인수분해되며 해석적으로 다루기 쉬워 마르코프 연쇄 몬테카를로(Markov chain Monte Carlo)를 우회할 수 있습니다. 우리는 \texttt{EigenBayes}가 각 결과와 잠재 차원의 신호 대 잡음 비율에 적응하면서, 불필요한 잠재 성분을 0으로 수축시킴을 보입니다. 우리는 유리한 점근적 성질(asymptotic properties)을 확립하고 수치 실험 및 유전체학 응용에서 강력한 실증적 성능을 입증하며, 여기서 EigenBayes는 최신 수준의 대안들(state-of-the-art alternatives)보다 우수한 성능을 보입니다.