함수적 클러스터링 체계의 완전 분류

초록

본 논문은 유한 메트릭 공간 위의 클러스터링을 함수성(Functoriality)이라는 구조적 조건으로 정의하고, ‘excisiveness’라 불리는 추가적 제약을 만족하는 모든 클러스터링 스킴을 완전히 분류한다. 이를 통해 Kleinberg의 불가능 정리와는 달리 존재와 유일성을 보장하는 이론적 틀을 제시한다.

상세 분석

논문은 먼저 기존 클러스터링 이론이 목표함수 최적화에 초점을 맞추는 반면, 데이터 집합이 변형될 때 결과가 어떻게 일관되게 변하는지를 다루는 함수성 개념을 도입한다. 함수성은 두 종류의 사상, 즉 유한 메트릭 공간 사이의 비축소 지도와 부분집합 포함 사상을 고려한다. 이러한 사상에 대해 클러스터링 스킴이 공변(co-variant)하거나 반변(covariant)하는지를 정의함으로써, 알고리즘이 데이터 추가, 삭제, 혹은 거리 보존 변환에 대해 어떻게 반응하는지를 형식화한다.

핵심 개념인 ‘excisiveness’는 클러스터링 결과가 서로 겹치지 않는 부분집합으로 완전히 분할될 때, 각 부분집합에 대한 제한된 클러스터링이 원래 결과와 일치해야 함을 의미한다. 이는 위상수학에서 연결 성분을 정의하는 방식과 직접적으로 대응한다. 저자는 이 조건을 만족하는 스킴을 ‘연결 성분 기반’이라고 부르고, 이러한 스킴이 반드시 어떤 임계 거리 r에 대한 단일 연결 성분(즉, r‑ball graph)의 연결성분으로 표현될 수 있음을 증명한다.

Kleinberg의 세 가지 공리(Scale‑invariance, Richness, Consistency)와 달리, 여기서는 함수성 자체를 공리화하고, 그 위에 excisiveness를 추가함으로써 존재와 유일성을 동시에 확보한다. 특히, 함수성의 강도에 따라 다양한 계층적 클러스터링이 생성될 수 있음을 보이며, ‘밀도 민감도’를 조절하는 파라미터를 도입해 기존 방법보다 더 풍부한 스킴을 설계한다.

분류 정리는 크게 두 단계로 이루어진다. 첫째, 가능한 사상 범주를 선택하면(예: 비축소 사상, 전사 사상 등) 해당 범주에 대한 함수적 클러스터링이 어떤 형태를 취할 수 있는지 제한된다. 둘째, excisiveness를 적용하면 각 범주마다 하나의 동형 사상 클래스가 남으며, 이는 임계 거리 함수 τ:ℝ₊→ℝ₊에 의해 완전히 기술된다. 따라서 모든 함수적·excisive 클러스터링은 τ에 의해 정의된 ‘거리 임계값 클러스터링’과 동등함을 보인다.

이러한 결과는 클러스터링을 위상적 연결 성분의 통계적 아날로그로 해석하게 하며, 데이터 과학에서 알고리즘의 안정성 및 해석 가능성을 강화한다는 점에서 큰 의미를 가진다.