Scaled lasso 기반 희소 정밀행렬/부분상관 추정의 GPU 병렬화 연구

GPU-Parallel Sparse Precision Matrix and Partial Correlation Estimation with Scaled Lasso

연구 내용

scaled lasso를 이용해 정밀행렬의 대각 성분 비합성 이슈를 완화하고 부분상관을 단계적으로 추정하며, coordinate descent 및 iterative shrinkage 기반 GPU 병렬 알고리즘을 설계하는 연구

본 연구는 Gaussian graphical model에서 희소 구조를 갖는 정밀행렬과 부분상관을 scaled lasso 기반으로 추정하는 방법을 다룹니다. 기존 ℓ1 정규화가 off-diagonal에만 부과될 때 중간 크기의 조건부 의존성을 놓칠 수 있다는 점을 해결하기 위해, 대각 성분을 scaled lasso로 일관성 있게 추정한 뒤 두 단계 절차로 부분상관을 계산하는 접근을 사용합니다. 더 나아가 coordinate descent와 iterative shrinkage를 GPU로 효율화하여 수치 연산을 가속하고, edge recovery 및 부분상관 추정 성능을 비교하는 방식으로 대규모 고차원 문제에 적용합니다.

관련 프로젝트

0건

연구 흐름

초기에는 LASSO 최적화가 기본 선형대수 연산으로 구성된다는 점에 근거해 CUDA 환경에서 Python 구현 방식을 비교하는 연구를 수행했습니다. 이후에는 희소 정밀행렬 추정을 위한 scaled lasso 문제를 대상으로 coordinate descent 기반의 GPU 병렬 알고리즘을 제안하고 수렴 및 확장성을 점검했습니다. 최근에는 부분상관 추정의 비볼록성 문제를 단계적 scaled lasso 추정으로 정리한 뒤, iterative shrinkage 알고리즘을 그래픽스 처리 장치에서 효율적으로 수행하는 구현을 구축했습니다. 최종적으로 네트워크 구조 복원과 성능 지표 중심으로 기존 방법 대비 개선을 확인하는 흐름으로 발전했습니다.

활용 가능성

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

희소 정밀행렬 추정
부분상관 네트워크 복원
Gaussian graphical model 추정
고차원 공분산/정밀행렬 추정
LASSO 최적화 가속
GPU 병렬 통계 알고리즘
엣지 복구(Edge recovery)
조건부 의존성 분석
스파스 구조 기반 차원 축소
대규모 데이터 추론 파이프라인