고차원 무작위 라틴 하이퍼큐브 설계 개선

초록

본 논문은 다변량 실험 설계의 현황을 검토하고, 고차원에서 효율적인 라틴 하이퍼큐브 설계(LHD)를 생성하기 위한 빠른 알고리즘을 제안한다. 제안된 방법은 무작위 LHD의 품질을 향상시키면서 계산 비용을 크게 낮춘다.

상세 요약

라틴 하이퍼큐브 설계(LHD)는 다변량 함수의 샘플링에 널리 사용되는 기법으로, 각 차원에서 균등하게 분포된 점들을 확보함으로써 공간을 고르게 탐색한다. 그러나 차원이 증가함에 따라 무작위로 생성된 LHD는 종종 겹침(overlap)이나 클러스터링 현상을 보이며, 이는 모델 추정의 정확도와 예측 성능을 저하시킨다. 기존 연구에서는 maximin 거리, 최소 평균 제곱오차(MSE), 별표(discrepancy) 등 다양한 품질 지표를 활용해 LHD를 개선하려 했지만, 고차원에서는 계산 복잡도가 급격히 상승해 실용적인 적용이 어려웠다. 본 논문은 이러한 문제점을 인식하고, 두 단계의 구조적 접근을 제안한다. 첫 번째 단계에서는 단순 무작위 샘플링 후, 각 차원의 순서를 재배열하는 ‘차원 재정렬’ 기법을 적용해 기본적인 균등성을 확보한다. 두 번째 단계에서는 ‘교환 기반 지역 탐색’ 알고리즘을 도입한다. 여기서는 점쌍을 선택해 좌표를 교환하면서 품질 지표(예: 최소 거리, 평균 제곱 차이)를 즉시 계산하고, 개선이 확인되면 교환을 확정한다. 이 과정은 제한된 반복 횟수와 조기 종료 조건을 두어 연산량을 제어한다. 또한, 알고리즘은 병렬 처리에 적합하도록 설계돼 다중 코어 환경에서 선형에 가까운 속도 향상을 기대한다. 실험 결과는 제안된 방법이 기존의 Simulated Annealing이나 Genetic Algorithm 기반 LHD 생성기보다 10배 이상 빠르게 수렴하면서도, maximin 거리와 별표 지표에서 유의미하게 우수함을 보여준다. 특히 차원이 20 이상인 경우에도 품질 저하가 거의 없으며, 실용적인 설계 규모(수백 점)에서도 안정적인 성능을 유지한다. 이러한 결과는 고차원 실험 설계, 특히 컴퓨터 시뮬레이션, 머신러닝 하이퍼파라미터 튜닝, 민감도 분석 등에서 라틴 하이퍼큐브의 활용 가능성을 크게 확장한다.