경계 측정의 안정성 및 응용

본 연구는 “경계 측정(boundary measure)”이라는 새로운 개념을 도입하여, 컴팩트 집합 K⊂ℝⁿ의 기하학적 특성을 스케일 r에서 확률적으로 기술한다. 먼저, 거리 함수 d_K(x)=inf_{y∈K}‖x−y‖를 정의하고, r‑튜브 K_r={x∈ℝⁿ | d_K(x)≤r}를 만든다. 거의 모든 x∈K_r에 대해 최근접점이 유일하므로 투사 사상 p_K:K_r→K가 정의된다. 이때 ℋⁿ|_{K_r}를 K_r 위의 Lebesgue 측정이라 하고, 이를 p_K에 푸시포워드한 μ_{K,r}=p_{K\#}(ℋⁿ|_{K_r})를 정규화하면 β_{K,r}=μ_{K,r}/ℋⁿ(K_r)라는 확률 측정이 얻어진다. β_{K,r}는 Borel 집합 A에 대해 “K_r 안의 무작위 점을 K에 투사했을 때 그 결과가 A에 속할 확률”을 의미한다. 예시로, 점 구름 C, 선분 S, 3차원 볼록 다면체 P 등에 대해 β를 전개하면, 각 차원(부피, 면적, 길이, 점)의 Hausdorff 측정이 가중치와 함께 나타나며, 특히 모서리와 꼭짓점이 높은 가중치를 받는다. 이는 기존 Voronoi 기반 방법이 차원에 따라 지수적 복잡도를 갖는 단점을 보완한다. 안정성 이론은 두 주요 정리로 구성된다. 정리 III.5는 열린 집합 E와 두 볼록 함수 f,g에 대해 ‖∇f−∇g‖_{L¹(E)} ≤ C(n,E,k)·‖f−g‖_{∞}^{1/2} 를 증명한다. 여기서 k는 ∇f(E)∪∇g(E)의 지름을 제한하는 상수다. 이 결과는 투사 사상 p_K가 L¹‑노름에서 1/2‑Hölder 연속임을 의미한다. 정리 III.3은 거리 함수 d_K의 레벨 집합 ∂K_r이 (n−1)‑Hausdorff 측정이 r에 대해 유계임을 보이며, K와 K′가 Hausdorff 거리 ε만큼 가깝다면 K_r와 K′_r의 대칭 차(K_r Δ K′_r)의 부피가 O(ε)임을 도출한다. 이 두 정리를 결합하면, Hausdorff 거리와 Wasserstein‑1 거리 사이에서 K↦β_{K,r}가 지역적으로 1/2‑Hölder 연속이라는 정량적 안정성 정리(정리 IV.1)를 얻는다. 즉, 작은 형태 변형이 경계 측정에 미치는 영향을 명확히 제한할 수 있다. 이 결과는 Federer's curvature measures Φ_{K,i} (i=0,…,n)에도 동일하게 적용되어, 이들 곡률 측정이 점 구름 근사에 대해 안정적임을 보인다. 계산적 측면에서는 점 구름 C에 대해 β_{C,r}를 근사하는 Monte‑Carlo 알고리즘을 제시한다. 절차는 (1) N개의 독립 샘플 X_j를 목표 측정 μ (예: 균등분포)에서 추출, (2) 각 X_j를 C의 최근접점 x_i에 매핑, (3) 매핑 횟수 n(x_i) 를 N으로 나누어 p_{C\#}μ의 근사값을 얻는다. Hoeffding 부등식을 이용해 P(|n(x_i)/N−μ_i|>ε) ≤ 2exp(−2Nε²) 를 얻으며, N=O(|C|·log(1/ε)/ε²)이면 고신뢰도를 확보한다. 고차원에서는 정확한 최근접 이웃 검색이 비용이 크므로, cover‑tree, LSH, 또는 최근 연구된 “over‑tree” 구조를 활용해 평균 O(log|C|) 시간에 근사 최근접을 수행한다. 또한, r‑튜브 샘플링 단계에서 직접 K_r을 생성하는 대신, 점 구름의 각 점을 반경 r의 구에 무작위로 샘플링하는 방법으로 복잡도를 크게 낮춘다. 논문의 마지막 부분에서는 안정성 정리를 이용해 curvature measures Φ_{K,i}의 수치적 추정 방법을 제시하고, 실험적으로 2D 이미지와 3D 스캔 데이터에 적용해 경계, 모서리, 꼭짓점 검출 성능을 평가한다. 결과는 기존 Voronoi 기반 방법보다 차원에 덜 민감하면서도 잡음에 강인함을 보여준다. 요약하면, 본 연구는 경계 측정이라는 새로운 확률적 기하학적 도구를 정의하고, 그 안정성을 정량적으로 증명했으며, 점 구름 데이터에 적용 가능한 실용적인 Monte‑Carlo 알고리즘을 제공함으로써 고차원 형태 분석에 중요한 이론적·실용적 기여를 한다.