컨포멀 메트릭 추정: 정밀 거리 복원과 효율적 그래프 기반 알고리즘

본 논문은 ℝᴺ에 포함된 닫힌 경로 연결 집합 M에 대해, 양의 함수 f:M→ℝ_{>0}가 주어졌을 때 정의되는 컨포멀 거리 D_{M,f}(x,y)=inf_{γ∈Γ_M(x,y)}∫_0^1 f(γ(t))‖γ̇(t)‖dt 를 연구한다. 기존 연구와 달리 M이 매니폴드일 필요 없이 양의 리치 τ_M>0만을 가정한다. 리치는 M의 오프셋에서 유일한 투영이 보장되는 최대 반경이며, Lemma 2.1을 통해 유클리드 거리와 내재 거리 D_M 사이에 arcsin 형태의 상한을 제공한다. 컨포멀 팩터 f는 κ‑리프시츠 연속이며 하한 f_min>0을 만족한다. 이러한 가정 하에 Proposition 2.4는 모든 컨포멀 지오데식 γ가 최소 리치 τ_γ>0을 가지며, 구체적인 하한 τ_{M,f}≥T_{M,f}=min{τ_M², f_min/(8κ)}를 제시한다. 이는 γ가 C^{1,1} 곡선임을 의미하고, 속도 벡터의 각도 변화가 1/τ_γ 이하로 제한됨을 Equation 4로 나타낸다. Lemma 2.5는 이 성질을 이용해 작은 구간 δ에 대해 γ(t₀+δ)−γ(t₀)와 접선 사이의 각도가 ≤δ/(2τ_γ)임을 보이며, 이는 다각형 경로가 원 곡선을 얼마나 정확히 근사할 수 있는지를 정량화한다. 다음으로, 점 구름 X⊂M을 이용해 그래프 기반 근사를 수행한다. 두 종류의 그래프가 정의된다: 반경 r 이하의 엣지를 갖는 r‑ball graph G_r(X)와 각 점에 대해 k개의 최근접 이웃을 연결하는 k‑NN graph G_k(X). 엣지 가중치는 w_{f,q}(x,y)=‖x−y‖·((f(x)^{q−1}+f(y)^{q−1})/2)^{1/(q−1)} (q≥2) 혹은 q=∞일 때는 경로 적분 형태로 정의한다(Definition 3.2). 이 가중치는 엣지 길이가 충분히 짧을 경우 실제 컨포멀 길이와 O(‖x−y‖²) 오차 안에서 일치한다. Theorem 3.5는 Hausdorff 거리 ρ=d_H(M,X)와 그래프 엣지 길이 r가 r≈√(τ_M·ρ)일 때, 그래프 상의 최단 가중 경로가 D_{M,f}(x,y)와 |ρ|·O(ρ²) 오차로 근사함을 보인다. 즉, 작은 ρ일수록 그래프 기반 추정이 원 컨포멀 거리와 매우 가깝게 일치한다. 통계적 분석에서는 X_n이 d‑표준 측정 µ에 대해 i.i.d. 샘플링된 경우를 고려한다. µ가 d‑Ahlfors 정규성을 만족하면, Hausdorff 거리 d_H(M,X_n)=O_p(n^{-1/d})가 된다. 따라서 Theorem 4.2는 그래프 기반 추정기 D̂_n이 D_{M,f}에 대해 ‖D̂_n−D_{M,f}‖_∞=O_p(n^{-1/d}) 수렴함을 증명한다. f가 알려지지 않은 경우에도, f̂가 동일한 수렴율을 갖는다면 Lemma 3.6을 통해 전체 오차에 영향을 주지 않는다. 실용적인 구현을 위해 ball graph 대신 k‑NN graph를 사용하면, k≈√n이면 동일한 수렴율을 유지한다(Theorem 4.5). 이는 Proposition 4.4에서 두 그래프가 Ahlfors 정규 측정 하에 고확률로 동등함을 보인 결과이다. k‑NN 그래프는 차원 d를 사전에 알 필요가 없으며, 실제 데이터 처리에 더 적합하다. 알고리즘의 시간 복잡도는 모든 엣지 가중치를 계산하고 최단 경로를 찾는 과정에서 O(n²)이며, f 평가가 상수 시간이라고 가정한다. 마지막으로, 기존 문헌에서 C^k 매니폴드에 대해 알려진 최소화된 수렴율 n^{-k/d}와 비교한다. 현재 결과는 매니폴드 구조를 전혀 가정하지 않음에도 불구하고 n^{-1/d}에 근접한 상한을 제공한다. 그러나 최적 최소화율을 달성하기 위해서는 현재 증명된 상한을 n^{-1/(d−1/2)} 이하로 개선할 필요가 있음을 Theorem 4.6에서 논의한다. 전체적으로, 양의 리치와 리프시츠 연속성이라는 최소한의 기하학적 가정만으로도 컨포멀 메트릭을 효율적으로 추정할 수 있음을 보여주며, ball graph와 k‑NN graph 사이의 동등성을 통해 실용적인 구현까지 제시한다.