단순화된 k 평균으로 단순 복합체 맞춤하기

이 논문은 고차원 점군 S ⊂ℝᵐ 을 선형적으로 매핑된 단순 복합체 K 에 근사시키는 두 단계 알고리즘을 제시한다. 첫 번째 단계는 ‘Simplicial Means’라 불리는 반복적 피팅 절차로, 각 데이터 포인트 y 에 대해 현재 매핑 fᵗ 하에서 가장 가까운 복합체 내부 점 y′ 을 찾고, y′ 가 포함된 최소 차원의 단순체 σ_y 를 식별한다. 이후 y′ 를 구성하는 정점 v_j 에 대한 barycentric 좌표 λ_{j,y} 를 계산한다. 정점 v_j 의 새로운 위치 f^{t+1}(v_j) 는 λ_{j,y} 에 가중된 데이터 포인트들의 평균으로 업데이트되며, 학습률 s 를 통해 수렴 속도와 안정성을 조절한다. 이 과정은 데이터가 정점에 끌리는 물리적 힘에 비유될 수 있으며, λ_{j,y}=1이면 완전한 당김, 0에 가깝다면 거의 영향이 없다는 직관을 제공한다. 0‑차원(정점만) 복합체에 적용하면 고전적인 k‑means와 동일하게 동작함을 보이며, 따라서 제안 알고리즘은 k‑means의 고차원 일반화로 해석된다. 두 번째 단계는 ‘Redundant Simplex Deletion’으로, 내부에 데이터가 거의 존재하지 않는 불필요한 단순체를 제거한다. 각 y∈S 에 대해 현재 매핑 g(y′) 가 경계에 가까우면, 경계 단순체 ∂σ 상에 있는 점 \tilde{z} 으로 투사한다. 투사 거리 ‖g(\tilde{z})−g(z)‖ 가 사전 정의된 임계값 α 이하이면 해당 단순체를 삭제하고, 그렇지 않으면 유지한다. 이 과정을 반복하면 최종 복합체 \tilde{K} 는 데이터에 더 밀접하게 맞춰진 저차원 구조를 갖게 된다. 알고리즘은 초기 매핑 f 이 임베딩이면 전체 과정에서 임베딩을 크게 왜곡하지 않는다. 논문은 4‑정점 그래프와 같은 비경로학적 구조에서도 k‑means와 달리 정점 간 연결성을 유지함을 실험적으로 보여준다. 복잡도 측면에서 가장 비용이 많이 드는 단계는 ‘가장 가까운 점 찾기’이며, 이를 위해 제시된 Algorithm 3은 각 단순체에 대해 선형 시스템을 풀어 O(d·m·r) 시간을 요구한다(여기서 d 는 단순체 차원, m 은 데이터 차원, r 은 데이터 포인트 수). 전체 알고리즘은 이 서브루틴을 여러 번 호출하므로 다항 시간에 수행 가능하다. 논문은 제안 방법을 기존의 Self‑Organizing Map(SOM), Locally Linear Embedding(LLE), Cluster‑PCA와 비교한다. SOM은 정점 수준에서만 매칭하고 인접 정점에 대한 가중 함수를 별도로 정의하는 반면, 본 방법은 단순체 전체를 활용해 연속적인 barycentric 좌표를 제공한다. LLE와는 지역 선형 구조를 추정한다는 점에서 유사하지만, LLE는 고정된 k‑최근접 이웃에 의존하는 반면 여기서는 복합체 구조 자체가 적응적으로 데이터에 맞춰진다. 따라서 복합체 \tilde{K} 는 데이터의 저차원 선형 패치를 효율적으로 포착하면서도 전체 위상 정보를 보존한다는 장점을 가진다. 마지막으로, 고차원 임베딩 g: \tilde{K}→ℝᵐ 이 성공적으로 얻어지면, 추가적인 차원 축소(예: Isomap, MDS)를 적용해 ℝᵏ (k< m) 로의 매핑을 수행할 수 있다. 논문은 Van Kampen의 임베딩 차원 제한, PL‑임베딩 이론 등 수학적 배경을 언급하며, 제안된 방법이 기존의 위상 데이터 분석 파이프라인에 자연스럽게 통합될 수 있음을 강조한다.