대칭 양의 정치(SPD, Symmetric Positive-Definite) 행렬을 분류하는 신경망 아키텍처에서 핵심적으로 활용되는 합동(congruence) 레이어의 표현력 한계를 이론적으로 분석한 연구가 arXiv에 발표됐다. 합동 레이어는 입력 행렬의 좌우에 가중치 행렬 W와 그 전치행렬을 곱하는 구조로, SPDNet을 비롯한 다수의 양의 정치 데이터 차원 축소 아키텍처의 핵심 구성 요소다.
연구팀은 W에 일반적으로 부과되는 준직교(semi-orthogonal) 제약이 이 레이어들의 표현력을 심각하게 제한한다는 사실을 밝혔다. 특정 활성화 함수에서는 이 제약으로 인해 다층 아키텍처가 사실상 단일 은닉층 모델로 붕괴된다는 것이다. 이 표현력 손실은 준직교 W를 가진 합동 레이어에서 스펙트럼 다양성이 사라지는 현상에서 비롯되며, 이는 수학적으로 푸앵카레 분리 정리(Poincare’s separation theorem)의 직접적인 귀결임이 논증됐다.
연구팀은 이러한 표현력 분석을 바탕으로 최종 분류기 선택 문제도 함께 검토했다. 여러 리만 기하학(Riemannian) 분류기를 비교하고, 각각이 합동 레이어가 생성하는 특성 맵과 어떻게 호환되는지를 논의했다. SPD 행렬 데이터는 뇌-컴퓨터 인터페이스, 의료 영상 분석, 레이더 신호 처리 등 다양한 분야에서 중요한 데이터 구조로 활용된다.
이번 연구는 SPDNet 계열 아키텍처를 설계하거나 응용할 때 준직교 제약의 잠재적 표현력 병목을 인식해야 한다는 이론적 근거를 제공한다. 표현력 제한을 피하기 위한 대안적 제약 조건이나 아키텍처 설계 방향에 대한 논의가 앞으로 이어질 것으로 예상된다.
