무작위 튜키 깊이

초록

본 논문은 전통적인 튜키(반공간) 깊이의 계산 복잡성을 완화하기 위해, 무작위로 선택된 제한된 수의 1차원 투영만을 이용하는 ‘무작위 튜키 깊이’를 제안한다. 적은 투영 수로도 높은 차원에서 효율적인 깊이 추정이 가능함을 시뮬레이션을 통해 입증하고, 기존 깊이 함수들과의 비교에서도 유사한 성능을 보인다.

상세 분석

튜키 깊이는 데이터 포인트가 전체 데이터 군에 대해 얼마나 중심에 위치하는지를 측정하는 대표적인 데이터 깊이 개념으로, 모든 가능한 방향의 반공간(half‑space)에서의 최소 포함 비율을 계산한다. 이 정의는 이론적으로는 강력하지만, 실제 구현에서는 차원이 증가할수록 가능한 방향의 수가 기하급수적으로 늘어나며, 특히 1차원 투영을 전부 고려해야 하는 점이 계산량을 폭발적으로 증가시킨다. 논문은 이러한 문제점을 해결하기 위해 ‘무작위 튜키 깊이’를 도입한다. 핵심 아이디어는 전체 방향 공간을 균등하게 샘플링한 K개의 무작위 방향 벡터를 선택하고, 각 방향에 대해 1차원 투영을 수행한 뒤 해당 투영에서의 순위(또는 포함 비율)를 계산하는 것이다. 이렇게 얻은 K개의 깊이 값 중 최소값을 최종 깊이 추정값으로 채택한다. 이는 원래 튜키 깊이의 정의와 구조적으로 동일하지만, 탐색 공간을 제한함으로써 계산 복잡도를 O(K·n·d) 수준으로 낮춘다(여기서 n은 표본 크기, d는 차원).

이 방법의 통계적 성질을 분석하기 위해 저자는 두 가지 주요 질문을 제기한다. 첫째, K가 충분히 클 경우 무작위 깊이가 원래 깊이에 수렴하는가? 둘째, 실용적인 K값은 표본 크기 n과 차원 d에 어떻게 의존하는가? 이를 위해 확률적 경계와 대수적 근사를 이용해 K가 O(log n) 수준이면 고확률적으로 원래 깊이와의 차이가 ε 이하가 됨을 보인다. 특히 차원이 높아질수록 필요한 K는 완만하게 증가하며, 차원 d가 100을 넘어도 수십 개의 투영만으로 충분히 정확한 추정이 가능함을 실험적으로 확인한다.

또한 논문은 함수형 데이터(FDA)로의 확장을 제시한다. 함수 공간에서는 무한 차원의 특성 때문에 전통적인 튜키 깊이 계산이 사실상 불가능하다. 저자는 함수들을 사전 정의된 기저(예: Fourier, wavelet) 상에서 유한 차원으로 투사한 뒤, 동일한 무작위 투영 방식을 적용한다. 이때 무작위 방향은 기저 계수 공간에서 샘플링되며, 결과적으로 함수형 데이터에 대한 깊이 측정이 실시간에 가깝게 수행될 수 있다.

시뮬레이션 결과는 무작위 튜키 깊이가 기존의 다른 근사 깊이(예: Mahalanobis, projection depth, simplicial depth)와 비교했을 때, 특히 고차원·소규모 표본 상황에서 경쟁력 있는 정확도를 보이며, 계산 시간은 수백 배 이상 단축된다는 점을 강조한다. 또한 실제 데이터셋(예: 이미지 특징, 유전자 발현) 적용 사례를 통해, 무작위 깊이가 이상치 탐지와 군집 경계 설정에 유용함을 실증한다.

결론적으로, 무작위 튜키 깊이는 이론적 근거와 실험적 검증을 겸비한 효율적인 대안으로, 고차원·대용량 데이터 분석, 그리고 함수형 데이터 분석에 널리 활용될 잠재력을 가진다.