라벨 그래프 분류기를 위한 레니 엔트로피 기반 차이 표현 최적화

본 논문은 라벨 그래프를 패턴 인식에 활용하는 최신 방법론 중 하나인 ODSE(Optimized Dissimilarity Space Embedding) 시스템을 개선하는 연구이다. ODSE는 그래프 데이터를 차이값(dissimilarity) 행렬(DM)로 변환한 뒤, 이를 차이 공간(DS)에서 전통적인 분류기(SVM, MMN 등)로 학습·예측하는 프레임워크이다. 핵심 절차는 (1) 그래프 간 차이값을 계산하기 위한 TWEC(Three‑Weight Edit Scheme) 기반 그래프 편집 거리, (2) 차이값 행렬을 이용한 정보‑이론적 압축·확장 연산, (3) 전체 파라미터를 최적화하는 유전 알고리즘이다. ODSE의 압축 단계는 프로토타입 집합(R)에서 정보가 중복된 서브셋 B를 찾아 하나의 대표 프로토타입으로 대체함으로써 모델 복잡도와 연산량을 감소시킨다. 이때 압축 가능성은 QRE(Quadratic Rényi Entropy) 추정값이 사전에 정의된 임계값 τc 이하인지 여부로 판단한다. 기존 ODSE는 무작위 탐색을 통해 B를 찾았으며, 이 과정은 O(d³n) 복잡도로 데이터 규모가 커질수록 비효율적이었다. 본 연구는 두 가지 주요 개선을 제시한다. 첫 번째는 엔트로피 추정 방법을 교체한 것이다. 기존 QRE는 다차원 커널 밀도 추정에 기반해 O(d·n²) 연산이 필요하고, 특히 가우시안 커널의 지수 연산이 병목이 된다. 이를 대신해 MST‑RE(Minimum Spanning Tree Rényi Entropy) 추정기를 도입한다. MST‑RE는 데이터 포인트를 완전 그래프로 연결하고, 최소 신장 트리를 구성한 뒤 트리의 가중 길이 Lγ를 이용해 α‑차 레니 엔트로피를 계산한다. γ 파라미터를 조정함으로써 α 값을 자유롭게 설정할 수 있으며, 차원 d에 대한 민감도가 낮아 고차원 그래프에도 적용 가능하다. 계산 복잡도는 거리 행렬 생성 O(n²)와 Kruskal 알고리즘을 이용한 MST 구축 O(n² log n) 정도로, QRE 대비 실질적인 속도 향상을 기대한다. 두 번째 개선은 압축 기반 클러스터링(CBC) 단계의 파라미터 설정을 이론적으로 정립한 것이다. 논문은 “클러스터 반경 θ와 최소 거리 δ는 엔트로피 임계값 τc와 직접 연관된다”는 정리를 증명한다. 구체적으로, 클러스터 내 모든 샘플 간 거리의 평균이 θ 이하이고, 클러스터 간 최소 거리 δ가 충분히 크면 해당 클러스터는 압축 가능하다는 조건을 수식화한다. 이를 통해 무작위 탐색 대신 결정론적 클러스터링(예: BSAS)으로 압축 후보를 선정할 수 있게 되며, 전체 압축 연산의 복잡도를 O(d·n) 수준으로 낮춘다. 이론적 기여 외에도, 논문은 다양한 라벨 그래프 베치마크(MUTAG, ENZYMES, PROTEINS, D\&D 등)에서 실험을 수행한다. 실험 설계는 (1) 기존 ODSE(QRE 기반)와 개선된 ODSE(MST‑RE 기반)의 정확도 비교, (2) 학습·테스트 시간 측정, (3) 모델 파라미터(프로토타입 수, 엔트로피 값)의 파라미터 민감도 분석으로 구성된다. 결과는 다음과 같다. - 정확도: 두 버전 모두 기존 최첨단 방법들(핵심 그래프 커널, 딥러닝 기반 그래프 네트워크 등)과 동등하거나 약간 우수한 성능을 보였다. 특히 MUTAG과 ENZYMES에서 1~2% 수준의 차이만 존재했다. - 시간 효율성: MST‑RE 기반 ODSE는 평균 35%~45%의 학습 시간 감소와 30%~40%의 테스트 시간 감소를 기록했다. 대규모 PROTEINS 데이터셋에서는 전체 파이프라인이 2배 이상 빨라졌다. - 모델 파라미터: 압축 후 프로토타입 수는 원본 대비 40%~60% 감소했으며, 이는 모델 파라미터 Θ(프로토타입 수에 대한 비용)와 Υ(엔트로피 기반 정보량) 사이의 균형을 잘 맞춘 결과이다. 결론적으로, 본 논문은 레니 엔트로피를 이용한 차이값 압축을 보다 효율적인 MST 기반 추정기로 대체하고, 압축 파라미터를 이론적으로 보장함으로써 ODSE 시스템의 계산 복잡도를 크게 낮추었다. 정확도는 유지하면서 실시간 혹은 제한된 연산 자원을 갖는 환경에서도 적용 가능한 수준으로 향상되었으며, 향후 그래프 기반 딥러닝 모델과의 하이브리드 구조에도 활용 가능할 것으로 기대된다.