지역 편향 스펙트럴 방법으로 그래프 분할과 데이터 탐색 혁신

**1. 서론 및 동기** 그래프 라플라시안의 두 번째 고유값과 고유벡터는 전역적인 구조 정보를 제공하지만, 실제 데이터에서는 특정 지역에 대한 세밀한 분석이 필요하다. 전역 고유벡터는 시드 집합과 무관하게 전체 그래프에 퍼져 있어, 로컬 커뮤니티나 이미지의 특정 영역을 탐지하는 데 한계가 있다. 이를 극복하기 위해 저자들은 “지역 편향 스펙트럴”이라는 새로운 최적화 문제를 정의한다. **2. 배경 및 기호** - 그래프 G=(V,E,w) 와 라플라시안 L_G=D_G−A_G, 정규화 라플라시안 \(\mathcal{L}_G=D_G^{-1/2}L_GD_G^{-1/2}\). - 전도도 \(\phi(S)=\frac{|E(S,\bar S)|\cdot \mathrm{vol}(G)}{\mathrm{vol}(S)\mathrm{vol}(\bar S)}\). - 전역 스펙트럴 프로그램 Spectral(G) 는 두 번째 고유벡터 v₂ 를 구하는 제약 최적화이다. **3. LocalSpectral 최적화 프로그램** 시드 벡터 s (정규화 및 평균 0)와 상관 파라미터 κ 를 도입해 다음과 같이 정의한다. \