적응형 친화도 전파 클러스터링: 파라미터 자동조정과 진동 억제 기법

본 논문은 친화도 전파(Affinity Propagation, 이하 AP) 알고리즘의 두 가지 핵심 문제—preference 파라미터(p)의 적절한 선택과 진동(oscillation) 현상의 자동 억제—를 해결하기 위한 적응형 프레임워크를 제안한다. AP는 데이터 포인트 간 유사도 행렬 S를 기반으로 책임(responsibility) R(i,k)와 가용성(availability) A(i,k)를 반복적으로 업데이트하면서 최적의 exemplar 집합을 찾는 군집화 기법이다. 기존 AP에서는 대각선에 위치하는 p 값이 클러스터 수(NC)에 직접적인 영향을 미치지만, p와 NC 사이의 정확한 관계가 알려져 있지 않아 최적 p를 사전에 결정하기 어렵다. 또한, 알고리즘 진행 중 R·A 업데이트가 진동을 일으키면 수렴하지 못하고, 이를 방지하기 위해 damping factor(λ)를 수동으로 크게 늘려야 하는데, λ가 1에 가까워질수록 수렴 속도가 급격히 감소한다는 단점이 있다. ### 1. 적응형 진동 억제(Adaptive Damping) 진동 여부를 실시간으로 감지하기 위해 최근 w=40번의 반복에서 클러스터 수 K의 변화를 모니터링한다. K가 감소하거나 일정 기간 변동이 없으면 비진동 상태로 판단하고, 그렇지 않을 경우 λ를 0.05씩 증가시킨다. 비진동 판단 기준은 “최근 w번 중 비진동 횟수(Kb)가 전체의 2/3 이상”이다. 이 설계는 초기 λ=0.5에서 시작해 필요 시만 점진적으로 상승시키므로, 불필요한 연산 지연을 최소화한다. ### 2. 적응형 탈출(Adaptive Escape) λ를 0.85 이상까지 증가시켜도 진동이 지속될 경우, p 값을 점진적으로 감소시켜 새로운 탐색 공간으로 이동한다. 이는 p가 클러스터 수에 미치는 영향을 활용한 역방향 전략으로, 기존 AP가 고정 p 하에서 진동에 빠지는 상황을 회피한다. p 감소 스텝(ps)은 이후에 설명하는 preference 스캔 단계와 연계된다. ### 3. 적응형 preference 스캔(Adaptive Preference Scanning) 초기 p를 전체 유사도 평균(pm)의 절반(pm/2)으로 설정하고, 알고리즘이 수렴하면 p를 일정 스텝(ps)만큼 감소시킨다. 여기서 ps는 현재 클러스터 수 K에 따라 동적으로 조정된다. 구체적으로, ps = 0.01·pm / q이며, q = 0.1 + 50/K이다. 즉, K가 클수록 작은 스텝을, 작을수록 큰 스텝을 사용해 탐색 효율을 높인다. 또한, K가 v=40번 연속 변동 없을 때를 수렴 조건으로 정의한다. 이렇게 얻어진 다양한 NC에 대해 Silhouette 지표를 계산하고, 평균 Silhouette 값이 최대인 클러스터링을 최적 해로 선택한다. ### 4. 알고리즘 흐름 전체 절차는 다음과 같다. (1) λ=0.5, p=pm/2, w=40, v=40 등 초기값 설정. (2) AP 반복 수행 중 K 변화를 모니터링하고, 비진동이면 λ를 증가시킨다. (3) λ가 0.85 이상이면서도 진동이 지속되면 p를 감소시킨다(Adaptive Escape). (4) K가 수렴하면 p를 ps만큼 감소시키며 새로운 NC 탐색을 시작한다(Adaptive Preference Scanning). (5) 각 NC에 대해 Silhouette를 계산하고, 최적 NC를 선택한다. 이 과정에서 책임·가용성 행렬을 재사용해 연산량을 크게 절감한다. ### 5. 실험 설정 및 결과 12개의 데이터셋(시뮬레이션, 실제, 유전자 발현, 이미지 등)을 대상으로 제안된 적응형 AP(adAP)와 기존 AP를 비교하였다. 평가 지표는 오류율, Fowlkes‑Mallows 지수(FM), 실행 시간, Silhouette 기반 최적 NC 추정 정확도이다. 주요 결과는 다음과 같다. - **진동 자동 억제**: adAP는 모든 실험에서 진동을 감지하고 λ·p 조정을 통해 수렴에 성공했으며, AP는 수동 λ 조정이 필요하거나 수렴에 실패했다. - **클러스터 수 추정**: Silhouette 최대값을 기준으로 선택된 adAP의 최적 NC는 실제 라벨과 높은 일치도를 보였으며, FM 값이 0.85~0.96 사이로 AP보다 현저히 우수했다. - **실행 시간**: adAP는 λ를 크게 올리는 경우를 최소화하고 p 스캔을 효율적으로 수행해, 특히 대규모 데이터(예: 3500×12 차원 Exons)에서 AP 대비 약 30% 시간 절감을 기록했다. - **정확도**: 오류율 측면에서도 adAP가 전반적으로 낮은 값을 보였으며, 특히 클러스터가 겹치거나 불균형한 데이터셋에서 강건한 성능을 나타냈다. ### 6. 기여 및 한계 본 연구의 주요 기여는 (1) 실시간 진동 감지를 위한 모니터링 윈도우와 단계적 λ 증가 전략을 도입해 자동 수렴을 구현, (2) p 스캔의 동적 스텝 조정과 Silhouette 기반 객관적 평가를 결합해 파라미터 선택의 주관성을 크게 감소, (3) 기존 AP가 갖는 “고정 파라미터 → 진동” 문제를 탈피하고 다양한 데이터 구조에 대해 일관된 성능을 보이는 범용 프레임워크 제공이다. 한계점으로는 진동 감지 기준(2/3 비진동 비율, w=40 등)이 경험적으로 설정되어 데이터 특성에 따라 튜닝이 필요할 수 있음, 초기 p=pm/2 설정이 모든 경우에 최적이 아닐 가능성, Silhouette와 FM 외의 다른 평가 지표와의 비교가 부족함을 들 수 있다. ### 7. 향후 연구 방향 - 진동 감지에 머신러닝 기반 패턴 인식을 적용해 λ·p 조정 정책을 자동 최적화 - 다중 스케일 preference 스캔을 통해 계층적 군집 구조를 동시에 탐색하는 확장 - GPU 가속 및 분산 구현을 통한 초대규모 데이터(수십만 샘플) 실시간 적용 이와 같이 적응형 AP는 파라미터 자동 튜닝과 진동 억제 메커니즘을 통합함으로써 기존 AP의 실용성을 크게 향상시켰으며, 다양한 분야의 군집 분석에 바로 적용 가능한 강력한 도구로 자리매김한다.