제약 기반 스펙트럴 클러스터링의 새로운 프레임워크와 전이 학습 활용

본 논문은 “제약 기반 스펙트럴 클러스터링(Constrained Spectral Clustering, CSC)”이라는 주제에 대해 기존 연구들의 한계를 짚어낸 뒤, 새로운 프레임워크를 제안한다. 먼저 서론에서는 클러스터링에 제약을 도입하는 필요성을 강조한다. Must‑Link(ML)와 Cannot‑Link(CL) 제약은 지도 학습이 불가능하거나 라벨이 부족한 상황에서 도메인 전문가가 제공할 수 있는 유용한 사전 지식이다. 그러나 K‑means, 계층적 군집화와 같은 전통적 알고리즘에 다수의 제약을 동시에 적용하려 하면 NP‑hard 수준의 복잡도가 발생한다는 점을 지적한다. 이에 대한 대안으로 스펙트럴 클러스터링을 선택한다. 스펙트럴 클러스터링은 그래프 라플라시안을 이용해 데이터의 전역 구조를 파악하고, 고유벡터를 통해 저차원 임베딩을 만든 뒤 K‑means 등 간단한 방법으로 최종 클러스터를 형성한다. 기존 연구들은 라플라시안을 변형하거나, 고유공간에 제약을 부과하는 방식으로 ML/CL 제약을 간접적으로 반영했다. 하지만 이러한 방법은 제약의 강도와 만족도를 정밀하게 제어하기 어렵고, 제약이 많아질 경우 라플라시안의 스펙트럼이 불안정해지는 문제가 있다. 본 논문의 핵심 기여는 제약을 “명시적 최적화 변수”로 다루는 것이다. 저자들은 다음과 같은 목표 함수를 설정한다. \