Gustafson‑Kessel 알고리즘의 새로운 제약 파라미터를 이용한 일반화

초록

본 논문은 기존 Gustafson‑Kessel 퍼지 군집화 알고리즘의 부피 제한 문제를 해소하기 위해, 군집의 부피와 밀도를 동시에 조절할 수 있는 세 개의 파라미터로 구성된 새로운 거리 함수를 제안한다. 제안 알고리즘은 기존 GK 알고리즘을 특수 경우로 포함하며, 실험 결과 Gath‑Geva 알고리즘과 동등하거나 더 우수한 군집 품질을 보인다.

상세 분석

논문은 먼저 Gustafson‑Kessel(GK) 알고리즘의 수식적 구조를 재정리하고, 그 핵심 제한점이 고정된 λ 파라미터에 의해 군집 부피가 일정하게 강제된다는 점임을 지적한다. 이를 극복하기 위해 저자는 군집을 기술하는 네 가지 변수(센터 m_j, 퍼지 공분산 행렬 C_j, 부피 스케일 V_j, 밀도 스케일 ρ_j)를 도입한다. 특히 V_j는 군집의 “카디널리티”에 근접한 값으로 정의되어 부피를 직접적으로 반영하고, ρ_j는 V_j와 군집 원소 수 n_j의 비율로 밀도를 나타낸다.

새로운 거리 함수 D_{ij}는 기존 Mahalanobis 거리 d_{ij}에 V_j^{-1} 를 곱해 부피 보정 효과를 부여한다(식 11). 목표 함수 J는 기존 GK와 동일하게 퍼지 멤버십 w_{ij}와 거리 D_{ij}의 α‑제곱합 형태이지만, 제약식 (13)에서 w_{ij}의 합이 1이 되도록 유지한다.

알고리즘 유도 과정에서 저자는 목표 함수를 V_j와 ρ_j에 대한 라그랑주 승수를 이용해 변형하고, 최적화 조건을 통해 V_j와 ρ_j의 폐쇄형 해를 도출한다. 핵심 결과는 식 (38)·(39)으로, V_j는 군집 원소들의 퍼지 가중 평균 공분산 행렬의 행렬식에 비례하고, ρ_j는 V_j와 군집 원소 수 n_j의 비율로 계산된다. 이는 군집이 서로 다른 부피를 가질 때도 각 군집이 자체적인 스케일을 자동 조정하도록 만든다.

멤버십 업데이트 식은 기존 GK와 동일하게 Mahalanobis 거리와 α 파라미터를 사용하지만, 거리 자체에 V_j가 포함되므로 실제 업데이트 단계에서 부피 보정이 반영된다. 중심 m_j와 공분산 C_j 역시 기존 GK와 동일한 식 (39)·(3)으로 계산되며, 따라서 구현 복잡도는 크게 증가하지 않는다.

실험에서는 두 개의 인공 데이터셋(두 개·세 개 타원형 군집)을 사용해 GK, Gath‑Geva, 제안 알고리즘을 비교한다. 결과 그림에서 제안 알고리즘은 부피가 크게 다른 군집들을 정확히 구분하고, 군집 경계가 실제 타원 형태와 거의 일치한다. GK는 부피가 동일한 군집만을 잘 찾으며, 부피 차이가 큰 경우 군집이 서로 섞이는 현상이 관찰된다. Gath‑Geva와 비교했을 때 성능 차이는 미미하지만, 제안 방법은 거리 함수에 지수 함수를 사용하지 않아 계산량이 약간 낮다는 부가 장점이 있다.

이 논문은 부피와 밀도를 동시에 고려하는 새로운 제약 파라미터를 도입함으로써, GK 알고리즘의 주요 약점을 보완하고, 기존 퍼지 군집화 프레임워크 내에서 손쉽게 적용 가능한 확장 모델을 제공한다는 점에서 의미가 크다. 다만, 파라미터 α와 초기값 선택에 대한 민감도 분석이 부족하고, 실제 고차원 데이터에 대한 실험이 없다는 한계도 존재한다. 향후 연구에서는 자동 α 튜닝, 고차원 및 잡음이 많은 데이터에 대한 견고성 평가가 필요할 것이다.