적응형 진화 클러스터링

본 논문은 시간에 따라 변화하는 데이터 집합에 대해 매 시점마다 의미 있는 클러스터링 결과를 얻고자 하는 문제를 다룬다. 전통적인 정적 클러스터링을 매 시점마다 독립적으로 적용하면 잡음에 민감하고 클러스터링 결과가 시점 간에 크게 변동한다. 이를 보완하기 위해 기존 연구들은 정적 클러스터링 비용 함수에 시간적 부드러움(temporal smoothness) 페널티를 추가하는 방법을 제안했으며, 이는 클러스터링 결과가 인접 시점의 결과와 크게 차이나지 않도록 유도한다. 그러나 이러한 접근법은 페널티 가중치 \(\alpha\)를 어떻게 선택할지에 대한 명확한 기준이 없으며, 최적화 과정이 복잡하고 계산 비용이 크게 증가한다는 한계가 있다. 저자들은 이러한 문제점을 해결하기 위해 “추적(tracking) → 정적 클러스터링”이라는 새로운 프레임워크를 제안한다. 핵심 아이디어는 각 시점 t에서 관측되는 근접성 행렬 \(W_t\)를 실제 근접성 \(S_t\)와 잡음 \(E_t\)의 합으로 모델링하고, 동적 시스템의 상태 추정 문제로 전환하는 것이다. 상태 \(S_t\)는 과거와 현재의 근접성 정보를 적절히 결합한 shrinkage estimator를 통해 추정한다. 구체적으로 \