그래프 라플라시안의 경계 행동 분석

본 논문은 그래프 라플라시안을 이용한 매니폴드 학습에서, 데이터가 경계가 있는 매니폴드에서 샘플링될 경우 발생하는 특수한 현상을 체계적으로 분석한다. 서론에서는 그래프 라플라시안이 스펙트럴 클러스터링, 반감독 학습, 차원 축소 등 다양한 머신러닝 알고리즘의 핵심 구성 요소임을 강조하고, 기존 연구들이 주로 경계가 없는 매니폴드 혹은 경계에서 충분히 떨어진 점에 대해서만 수렴 결과를 제시해 왔음을 지적한다. 실제 이미지, 로봇 관절 제한 등 많은 실제 데이터는 자연스럽게 경계 조건을 내포하고 있기 때문에, 경계에서의 라플라시안 행동을 이해하는 것이 필수적이다. 문제 설정에서는 d 차원 매니폴드 Ω ⊂ ℝᴺ (compact, smooth)와 그 내부 Ω와 경계 ∂Ω를 정의하고, i.i.d. 샘플 X₁,…,Xₙ ~ p(x) (p는 양의 연속 밀도)에서 Gaussian 커널 Kₜ(x,y)=t^{-d/2}exp(-‖x−y‖²/t) 로 가중치 w_{ij}=Kₜ(X_i,X_j) 를 만든다. 정규화 파라미터 α∈