차원 축소는 데이터 시각화 및 전처리에 중요한 의미를 가지며, 주성분 분석은 가장 많이 사용되는 비지도 차원 축소 알고리즘 중 하나로 실제 응용에서 노이즈와 이상치에 민감한 문제가 있다. 이를 해결하기 위해 연구자들은 전체 샘플 재구성 오류를 줄여 이상치의 영향을 감소시키는 여러 견고한 주성분 분석 알고리즘을 제안하였다. 그러나 이러한 알고리즘은 데이터의 고유한 지역 구조를 무시하여 데이터의 본질적인 구조 정보가 손실되고, 이에 따라 노이즈와 이상치를 정확히 식별하고 제거하는 데 영향을 미치며 후속 알고리즘 성능에도 영향을 준다. 따라서 본 논문에서는 Soft 평균 필터링에 기반한 견고한 주성분 분석(Robust Principal Component Analysis Based on Soft Mean Filtering, RPCA-SMF) 알고리즘을 제안하였다. RPCA-SMF는 Soft 평균 필터링 개념을 채택하여 두 단계 방식으로 모델 학습 전뿐 아니라 학습 후에도 노이즈 처리 메커니즘을 도입하였다. 구체적으로 RPCA-SMF 알고리즘은 먼저 평균 필터링 관련 개념을 도입하여 샘플과 그 지역 이웃 두 개, 그리고 지역 평균과의 편차를 비교해 Soft 가중치를 부여하여 노이즈를 판정한다. 이후 첫 단계에서 획득한 노이즈에 관한 "판별 지식"을 통해 노이즈 정보를 처리한다. 평균 필터링은 데이터의 전체 윤곽 정보를 효과적으로 보존할 수 있기 때문에 노이즈로 식별된 샘플에 대해 RPCA-SMF는 고주파 노이즈 정보가 아닌 저주파 전체 윤곽 정보를 보존하는 것을 강조한다. 이렇게 함으로써 데이터 내 유용한 정보를 효과적으로 보존하여 데이터 전체 구조 특성 보존 능력을 향상시키고 알고리즘의 견고성과 일반화 능력을 높인다.

차원 축소;비지도 특징 추출;주성분 분석;Soft 평균 필터링;견고성