커널 기반 다중집단 상관 구조 해석

Kernel-Based Multi-Group Canonical Correlation Analysis

연구 내용

다중집단의 비선형 관계를 해석 가능한 형태로 확장하여 각 집단 변수의 기여를 구조적으로 분해하는 연구

다변량 자료에서 집단 간 상관 구조를 단일 지표로 요약하면 해석이 제한되는 문제가 있습니다. 본 연구는 canonical correlation analysis의 커널 확장과 다중집단 일반화를 결합하여, 관계를 additive 방식으로 표현하는 Generalized Additive Kernel Canonical Correlation Analysis를 제안합니다. 이를 통해 비선형 의존성을 흡수하면서도 각 집단 내 변수의 기여도를 분해해 구조적 해석을 가능하게 합니다. 모의실험으로 집단 간 상관 유무와 관계 형태를 구분하는 성질을 확인하고, 신경발달·심리사회·임상·신경생리 측정치를 함께 다루는 실제 데이터에 적용하여 기존 CCA에서 드러나지 않던 연관을 도출합니다.

관련 프로젝트

1건

연구 흐름

2019~2020년 무렵에는 다변량 의존성 추론에서 핵심인 CCA의 한계와 해석 가능성 문제를 중심으로 연구가 전개되었습니다. 이후 2020년에는 커널 기반 비선형 확장과 다중집단 분석을 additive 방식으로 통합하는 GAKCCA를 제안하며, 집단별 변수 기여를 드러내는 방향으로 구체화했습니다. 이후에는 구조적 종속성의 통계적 추론이라는 관점에서 공분산·차원축소와의 연계를 강화하며, 복합 도메인 데이터에서 연관 구조를 재구성하는 적용 지향으로 확장되었습니다. 현재는 해석 가능하고 재현 가능한 분석 절차로 전환하는 흐름을 유지하고 있습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

비선형 다중집단 상관 구조 분석
집단별 변수 기여도 분해
고차원 의존성 검정
복합 설문-생리 데이터 매핑
뇌-행동 데이터 통합 해석
신경발달·임상 도메인 연관 탐지
상관 기반 특징 추출
비선형 관계의 구조적 시각화
의존성 모델 비교
해석 가능한 커널 통계 방법