지속성 기반 유클리드 재구성

** 본 논문은 고차원 유클리드 공간 ℝᵈ에서 점 구름을 이용해 매끄러운 저차원 매니폴드 혹은 일반적인 컴팩트 집합의 위상 정보를 복원하는 새로운 알고리즘을 제시한다. 기존 연구는 주로 2·3차원에서 Delaunay 삼각분할을 활용한 재구성에 초점을 맞추었으며, 차원이 증가함에 따라 Delaunay 복합체의 크기가 n^{⌈d/2⌉} 정도로 급격히 늘어나 실용성이 떨어졌다. 최근에는 Čech, Rips, Witness 복합체를 이용한 위상학적 추정이 제안됐지만, 이러한 필터레이션이 원본 집합의 호몰로지를 정확히 반영한다는 이론적 보장은 제한적이었다. 논문은 먼저 Čech 복합체 C_α(L)의 정의와 Nerve 정리를 통해 C_α(L)와 열린 볼 합집합 L_α가 호모토피 동등함을 상기한다. 그러나 단순히 동등함을 안다고 해서 지속성 바코드가 동일하다고는 할 수 없으며, 포함 사상 C_α(L)→C_{α+2ε}(L)와 L_α→L_{α+2ε} 사이의 교환성을 증명해야 한다. 저자들은 알파 파라미터 구간에서 이러한 사상들이 호몰로지 수준에서 교환 가능함을 보이는 새로운 보조 정리를 제시한다. 이를 바탕으로 Čech 필터레이션의 지속성 바코드가 원본 매니폴드 X의 호몰로지와 일치함을 보인다(α≥ε인 경우). 다음으로 Rips 복합체 R_α(L)와 Witness 복합체 W_α(L;W) (여기서 W는 전체 점군, L은 랜드마크) 를 고려한다. 저자들은 “intertwined”라는 개념을 도입해, 특정 α 구간에서 Čech, Rips, Witness 복합체가 서로 포함 관계를 이루며, 이 포함 사상들이 위에서 증명한 교환성을 만족한다는 일반적인 프레임워크를 구축한다. 특히, Witness 복합체는 추가적인 “증인” 점들(W\L)을 활용해 복합체의 밀도 의존성을 완화한다. 이를 통해 Carlsson‑de Silva가 제안한 “Witness 복합체는 Čech·Rips보다 더 깨끗한 지속성 바코드를 제공한다”는 추측을 부분적으로 입증한다. 구체적으로, 매니폴드가 충분히 조밀히 샘플링된 경우 Witness 바코드의 잡음 폭이 랜드마크 집합 L의 밀도에 비해 W의 밀도에 의해 지배되므로, 실제 데이터에서 더 안정적인 위상 정보를 얻을 수 있다. 다만, 완전한 잡음 억제를 위해서는 W 자체가 충분히 조밀해야 함을 강조한다. 알고리즘 설계는 두 가지 핵심 단계로 구성된다. 첫 번째는 그리디 랜드마크 선택이다. 초기 랜드마크 L₀를 하나의 점으로 시작하고, 현재 랜드마크 집합 Lᵢ에 대해 Rips 혹은 Witness 복합체 Kᵢ(α)를 구축한다. 지속성 알고리즘을 적용해 베티 수가 변하는 스케일 α*를 탐지한다. 베티 수가 급격히 변하는 구간은 데이터의 “특징 스케일”을 나타내며, 이때 가장 큰 거리(또는 가장 큰 빈 공간)를 가진 입력 점을 새로운 랜드마크로 추가한다. 이렇게 하면 랜드마크 집합이 점점 데이터의 기하학적 구조를 포착하게 된다. 두 번째는 지속성 계산이다. 각 단계에서 Kᵢ(α)와 Kᵢ(α+Δ) 사이의 포함 사상을 이용해 베티 수 변화를 추적하고, 이를 바코드 형태로 저장한다. 사용자는 바코드에서 의미 있는 긴 바를 선택해 최적 스케일을 결정하고, 해당 스케일에서 최종 랜드마크와 복합체를 재구성한다. 복잡도 분석에서는 다음과 같은 결과를 얻는다. 매니폴드 X가 m차원 매끄러운 매니폴드이며, 입력 점군 W가 충분히 조밀히 샘플링된 경우, 랜드마크 선택 단계는 O(n)번 반복되며 각 반복에서 복합체 크기는 O(|Lᵢ|)≈O(n)이다. 지속성 계산은 일반적인 알고리즘(O(|Lᵢ|³))에 따라 수행되므로 전체 시간 복잡도는 O(c(m)·n⁵)로 제한된다. 여기서 c(m)은 매니폴드의 곡률, reach 등 내재 기하학적 특성에만 의존하는 상수이다. 반면, 일반적인 컴팩트 집합 X⊂ℝᵈ에 대해서는 동일한 프레임워크가 적용되지만, 복합체의 차원과 샘플링 요구조건이 주변 차원 d에 의존하게 되어 복잡도가 O(c(d)·n⁵)로 상승한다. 실험에서는 4차원 토러스에 매핑된 헬리컬 곡선을 10 000개의 무작위 샘플로부터 두 방법을 비교한다. 전통적인 Rips 지속성 바코드는 900개의 랜드마크를 사용했음에도 불구하고 잡음 바가 많이 나타났지만, 제안 알고리즘은 자동으로 적절한 스케일을 찾아 300여 개의 랜드마크만으로도 곡선과 토러스 두 구조를 명확히 복원했다. 이는 제안 방법이 내재 차원에 기반한 복잡도와 잡음 억제 측면에서 실용적 우위를 가진다는 것을 보여준다. 결론적으로, 이 논문은 (1) 내재 차원에만 의존하는 효율적인 재구성 알고리즘, (2) Čech, Rips, Witness 복합체 사이의 새로운 위상학적 연계, (3) Witness 복합체가 실제 데이터에서 잡음 감소에 유리함을 정량적으로 입증한 세 가지 주요 기여를 제공한다. 향후 연구에서는 복합체의 크기를 더욱 줄이는 경량화 전략, 비유클리드 메트릭 공간으로의 확장, 그리고 실시간 스트리밍 데이터에 대한 적용 가능성을 탐색할 예정이다. **