본 논문에서는 선형 확률 모델에 대한 ARD(Automatic Relevance Determination)의 확장인 NARD(Network Automatic Relevance Determination)를 제안합니다. NARD는 입력 X ∈ ℝ^(d × N)와 출력 Y ∈ ℝ^(m × N) 사이의 희소 관계를 모델링하는 동시에 Y 간의 상관 구조를 포착합니다. 희소성 유도 매개변수를 포함하는 행렬 정규 사전 분포를 사용하여 관련 없는 특징을 식별하고 제거하여 모델의 희소성을 높입니다. 알고리즘적으로, 정밀도 행렬과 Y와 개선된 입력 간의 관계를 반복적으로 업데이트합니다. O(m³ + d³)의 비용이 드는 계산 비효율성을 완화하기 위해, 특징을 순차적으로 평가하는 Sequential NARD와, 주변 우도의 효율적인 근사를 활용하고 중간 행렬의 행렬식과 역행렬 계산을 단순화하는 Surrogate Function Method를 제안합니다. 순차 업데이트와 Surrogate Function Method를 결합하여 계산 비용을 추가로 줄입니다. 세 가지 방법의 반복당 계산 복잡도는 각각 O(m³ + p³), O(m³ + d²), O(m³ + p²)로 감소하며, 여기서 p << d는 모델의 최종 특징 수입니다. 합성 및 실제 데이터 세트 모두에서 계산 효율성이 크게 향상되고 성능은 비슷하게 유지됨을 보여줍니다.
