다양체 위 비모수 통계와 형태 공간 응용

본 논문은 “다양체 위 비모수 통계와 형태 공간 응용”이라는 주제로, 일반적인 거리 공간 (M,ρ) 에서 정의되는 프레셰 평균·변동의 존재성, 일관성, 점근 정규성을 체계적으로 정리하고, 이를 2‑차원 형태 공간 Σₖ² (k‑ads) 에 적용한다. 1. **프레셰 평균·변동의 일반 이론** - 정의 2.1·2.2 에서 프레셰 평균 집합 C_Q 와 프레셰 변동 V 를 소개한다. - 명제 2.1·2.2 로 폐집합·유계 부분집합이 콤팩트한 경우 C_Q 가 비어 있지 않으며, 표본 평균 C_{Q_n} 이 실제 평균 근처에 수렴함을 보인다(강일관성). - 정리 2.3 은 매끄러운 차트 (U,φ) 를 이용해 평균의 점근 정규성을 증명한다. 여기서 공분산 행렬 Λ⁻¹Σ(Λ′)⁻¹ 가 한계 분포를 결정한다. - 프레셰 변동 V_n 은 V 로 강일관성(명제 2.4)하고, 정리 2.5 에서 V_n 의 점근 정규성을 제시한다. 2. **외재적 평균·변동** - Σₖ² 를 복소 벡터 형태로 표현하고, Veronese‑Whitney 임베딩 φ_E : Σₖ² → S(k,ℂ) (k×k Hermitian 행렬 공간) 을 정의한다. - 외재적 거리 ρ_E 는 φ_E 로 유도된 유클리드 거리이며, 식 (1.4) 로 간단히 ρ_E² = 2−2|u* v|² 로 표현된다. - 외재적 평균 µ_E 는 φ_E⁻¹( 정사영(μ̃) ) 로 계산되며, μ̃ 는 φ_E⁻¹(Q) 의 유클리드 평균이다. 표본 평균 역시 동일 절차로 구한다. - 정리 3.1‑3.4 에서는 외재적 평균의 점근 정규성, 공분산 구조, 그리고 두 표본 평균 차이에 대한 검정 통계량을 제시한다. 3. **내재적 평균·변동** - Riemannian 거리 d_g 를 이용해 프레셰 평균을 정의하고, 존재성에 대한 기존 Karcher·Kendall 결과를 확장한다. 정리 4.1 은 지원이 지오데식 볼 B(p,2r) 안에 있을 경우(반경 r 은 기존보다 두 배) 고유 최소점이 존재함을 보인다. - 내재적 평균 µ_I 의 점근 정규성은 정리 4.2 로 증명되며, 여기서는 차원 d 와 메트릭 텐서 g 를 이용해 공분산 행렬을 명시한다. - 내재적 평균 검정은 외재적 평균 검정보다 계산이 복잡하지만, 고차원 형태 공간에서도 적용 가능하도록 지원 가정을 크게 완화하였다. 4. **두 표본 검정** - (i) 외재적 평균 차이 검정, (ii) 내재적 평균 차이 검정, (iii) 프레셰 변동 차이 검정의 세 가지 통계량을 도입한다. - 각 검정은 표본 평균·변동의 점근 정규성을 이용해 χ² 혹은 F 분포 기반의 p‑값을 계산한다. - 부트스트랩(Efron) 방법을 활용해 작은 표본에서도 신뢰구간과 검정력을 보강한다. 5. **실험 및 응용** - 두 실제 데이터셋(의료 영상에서 추출한 얼굴 형태와 동물 종 구분)을 사용해 외재적·내재적 평균 검정과 변동 검정을 수행하였다. - 결과는 제안된 비모수 검정이 기존 파라메트릭·반파라메트릭 방법보다 p‑값이 현저히 작아, 더 높은 구별력을 제공함을 보여준다. - 데이터가 고도로 집중된 경우 평균 검정만으로 충분하고, 변동 검정은 차이가 거의 없다는 실험적 관찰도 제시한다. 6. **의의 및 향후 연구** - 이 논문은 다양체 위 비모수 통계 이론을 형태 분석에 직접 적용함으로써, 고차원·비선형 데이터에 대한 강력한 추정·검정 도구를 제공한다. - 특히 지원 가정을 크게 완화한 내재적 평균 검정은 실제 데이터에서의 적용 범위를 넓히는 중요한 기여이다. - 향후 연구에서는 더 일반적인 다양체(예: 토러스, 복소 사영공간)와 고차원 텐서 데이터에 대한 확장, 그리고 비모수 밀도 추정 방법을 탐구할 여지가 있다.