병렬 지속성 계산을 위한 스펙트럴 시퀀스

본 논문은 대규모 데이터셋에 대한 지속성 동형론(persistent homology) 계산을 효율적으로 수행하기 위한 새로운 프레임워크를 제시한다. 기존의 표준 알고리즘은 전체 복합체의 경계 행렬을 메모리에 전부 적재하고 랜덤 접근을 요구하기 때문에, 복잡도가 O(n³)인 최악의 경우와 O(n²) 수준의 메모리 사용량으로 실제 적용에 한계가 있었다. 이를 극복하고자 저자들은 ‘분할‑정복(divide‑and‑conquer)’ 전략을 채택한다. 구체적으로, 전체 필터링된 복합체 X를 겹치는 부분 집합들의 커버 {U_i}로 나눈다. 각 U_i는 자체적인 필터링을 갖고, 이들에 대해 독립적으로 지속성 모듈 H_*(U_i)와 교차 복합체 H_*(U_{i₁}∩…∩U_{i_p})를 계산한다. 핵심은 이러한 지역 정보를 전역 호몰로지 H_*(X)로 결합하는 과정이다. 이를 위해 저자들은 Mayer‑Vietoris 스펙트럴 시퀀스를 도입한다. 스펙트럴 시퀀스는 이중 복합체 E₀^{p,q}를 구성하는데, 여기서 p는 커버의 교차 차수, q는 해당 교차 복합체의 체인 차원을 나타낸다. 수평 경계 d₀는 각 교차 복합체 내부의 체인 복소체의 경계이며, 수직 경계 d₁은 커버의 신경 복합체(nerve complex)에서 유도된 사인 부호와 포함 사상의 합으로 정의된다. 이 두 사상이 서로 교환법칙 d₀d₁ + d₁d₀ = 0를 만족함을 이용해 전체 복합체의 ‘총 복합체(total complex)’를 구성하고, 그 호몰로지를 단계별로 근사한다. 저자들은 Z^∞_{p,q}와 B^∞_{p,q}라는 영과 경계 요소를 정의하고, 이를 Z^r_{p,q}, B^r_{p,q}로 재귀적으로 정제함으로써 스펙트럴 시퀀스의 각 페이지(E^r)에서 필요한 정보를 계산한다. 이 과정은 결국 ‘커널·이미지·코커널’ 연산을 k