지속성 풍경과 실루엣의 확률적 수렴

본 논문은 토폴로지 데이터 분석(TDA)에서 핵심적인 도구인 지속성 동형론(persistent homology)의 결과물인 지속성 다이어그램(persistence diagram)을 직접 다루는 것이 통계적 이론 적용에 어려움을 초래한다는 점을 출발점으로 삼는다. 지속성 다이어그램은 점들의 멀티셋으로, 그 자체가 일반적인 메트릭 공간을 형성하지만, 평균, 분산, 부트스트랩 등 전통적인 통계량을 정의하고 계산하기엔 구조가 복잡하다. 이러한 문제를 해결하고자 저자들은 Bubenik이 제안한 지속성 풍경(persistence landscape)을 활용한다. 풍경은 각 다이어그램을 일련의 1‑Lipschitz 연속 함수 λ(k,t)로 변환하는 과정으로, 특히 k=1인 경우 λ(t)=max_{p∈D}Λ_p(t) 형태의 단일 함수로 요약된다. 이 변환은 다이어그램을 함수 공간 L_T에 매핑함으로써 기존 비모수 통계 이론을 그대로 적용할 수 있게 만든다. 논문은 두 가지 실용적인 샘플링 시나리오를 설정한다. 첫 번째는 무작위 집합이나 무작위 모스 함수의 샘플을 통해 각각의 지속성 다이어그램을 얻고, 이를 풍경 λ₁,…,λₙ으로 변환한다. 두 번째는 매우 큰 데이터 집합(N≫1)에서 작은 서브샘플(m≪N)을 여러 번 추출해 각 서브샘플에 대해 다이어그램과 풍경을 계산하고, 이를 독립 동일분포(i.i.d.) 표본으로 간주한다. 두 경우 모두 목표는 평균 풍경 μ(t)=E